ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

Ukuran: px
Mulai penontonan dengan halaman:

Download "ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)"

Transkripsi

1 ISBN : ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS) ff.salma@gmal.com, vtaratna70@gmal.com ABSRAK. Analss rgrs logstk ordnal mrupakan analss rgrs yang dgunakan untuk mmodlkan hubungan antara varabl rspon yang brsfat katgork dan brskala ordnal dngan satu atau lbh varabl prdktor. Mtod n mrupakan salah satu jns analss rgrs global, dmana paramtr dalam modl dgunakan scara global untuk smua lokas. Smntara tu, fakta d lapangan mnunjukkan bahwa trdapat banyak kjadan yang brgantung pada lokas gografs. Jka masng-masng kofsn rgrs logstk ordnal brgantung pada lokas gografs dmana data trsbut damat, maka dgunakan modl Gographcally Wghtd Ordnal Logstc Rgrsson (GWOLR). GWOLR mrupakan gabungan antara rgrs logstk ordnal dan Gographcally Wghtd Rgrsson (GWR). Estmas paramtr dalam modl GWOLR mnggunakan mtod maksmum lklhood trbobot, yatu dngan mmaksmumkan fungs ln-lklhood trbobot. Pmbobot yang dgunakan dalam fungs ln-lklhood trbobot adalah faktor ltak gografs yatu gars lntang slatan dan gars bujur tmur pada masng-masng lokas pngamatan. Faktor n mmlk nla yang brbda untuk stap lokas yang mnunjukkan sfat lokal pada modl GWOLR, shngga stap lokas pngamatan mmpunya nla paramtr rgrs logstk ordnal yang brbdabda. Kata Kunc: GWOLR; MLE trbobot; ltak gografs.. PENDAHULUAN Analss rgrs mrupakan salah satu analss statstka yang dgunakan untukmmodlkan hubungan antara varabl rspon dngan satu atau lbh varablprdktor. Salah satu jnsnya yatu analss rgrs logstk ordnal yang dgunakan untuk mmodlkan hubungan antara varabl rspon yang brsfat katgork dan brskala ordnal dngan satu atau lbh varabl prdktor. Dalam brbaga bdang lmu sprt msalnya gograf, konom, lmu lngkungan dan pdmolog, data umumnya trkat dngan lokas gografs dmana data trsbut damat. Mtod statstka yang tlah dkmbangkan untuk mmodlkan hubungan antara varabl rspon dngan varabl prdktor yang brgantung pada lokas gografs dmana data trsbut damat adalah modl Gographcally Wghtd Rgrsson (GWR) olh Fothrngham, Brunsdon dan Charlton [3]. Modl GWR mnghaslkan pnaksr paramtr modl yang brsfat lokal untuk stap ttk atau lokas dmana data trsbut damat. Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS 05 55

2 ISBN : Untuk varabl rspon yang brsfat katgor tlah dkmbangkan modl Gographcally Wghtd Logstc Rgrsson (GWLR) olh Atknson, Grman,Sar dan Clark []. GWLR mrupakan bntuk kombnas dar modl GWRdan modl rgrs logstk. Atknson t al. [] mnggunakan modl GWLRdngan varabl rspon bnr untuk mnjlaskan ktrgantungan pada lokasgografs dar hubungan antara ros sunga (ada atau tdak adanya ros) dnganbbrapa varabl yang mmpngaruh ros d sunga Dyf Afon, Wst Wals.Hasl yang dprolh mnunjukkan bahwa praktk-praktk manajmn yangbrbda harus dlaksanakan pada lokas yang brbda d spanjang sunga yangdamat. Modl GWLR dapat juga dkmbangkan untuk varabl rspon brskalaordnal, yatu modl Gographcally Wghtd Ordnal Logstc Rgrsson(GWOLR).. MEODE PENELIIAN. Modl Rgrs Logstk Ordnal Modl rgrs logstk trmasuk dalam modl lnar umum (Gnralzd Lnar Modls). Modl yang dgunakan untuk rgrs logstk ordnal adalah modl logt kumulatf (Cumulatv Logt Modls). Msalkan varabl rspon Y mmlk G buah katgor brskala ordnal dan x mnyatakan vktor varabl prdktor pada pngamatan k-, x x x L x p dngan,,3,..., n, maka modl rgrs logstk ordnal dapat dnyatakan sbaga : P Y g x logt P Y g x ln g x () P Y g x x P Y g x mnyatakan pluang varabl rspon pada Msal g pngamatan k- mmpunya katgor k-g trhadap x, maka P Y g x P Y x P Y x L P Y g x x x L x g Shngga pluang untuk masng-masng katgor rspon dapat dnyatakan sbaga: x P Y g x P Y g x P Y g x () g Jka dmsalkan varabl rspon mmpunya 4 buah katgor G 4, maka modl rgrs logstk ordnal yang trbntuk adalah (Agrst, 00): P Y x logt P Y x ln x P Y x P Y x logt P Y x ln x PY x Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

3 ISBN : P Y 3 x logt PY 3 x ln 3 x P Y 3 x dngan P Y x, P Y x dan P Y 3 x x 3 x 3 x rspon sbaga brkut : Pluang katgor prtama P Y x x x PY x x x x x. Shngga ddapatkan pluang untuk masng-masng katgor Pluang katgor kdua x P Y x P Y x P Y x x x x x Pluang katgor ktga 3 x P Y 3 x P Y 3 x P Y x 3 x x x 3 x x x 3 x x x 3 x x x Pluang katgor kmpat 4 x P Y 4 x P Y 4 x P Y 3 x P Y x P Y x 3 x 3x Nla pluang untuk masng-masng katgor rspon dgunakan sbaga pdoman untuk pngklasfkasan. Suatu pngamatan akan masuk dalam rspon katgor k-g brdasarkan nla pluang yang trbsar.. Modl Gographcally Wghtd Ordnal Logstc Rgrsson (GWOLR) Modl GWOLR mrupakan bntuk kombnas dar modl GWR dan modl rgrs logstk ordnal. Modl GWOLR dgunakan untuk mmodlkan hubungan antara varabl rspon brskala ordnal dngan varabl prdktor yang masng-masng kofsn rgrsnya brgantung pada lokas dmana data trsbut damat. Msalkan varabl rspon trdr dar G buah katgor brskala ordnal, maka modl GWOLR dapat dtuls sbaga brkut : Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

4 ISBN : P Y g x ln g u, v x u, v, g,,..., G P Y g x dngan x mnyatakan vktor varabl prdktor lokas k-, x x x L x p, P Y g x mnyatakan pluang kumulatf katgor rspon k-g trhadap x, u, v mrupakan vktor kofsn rgrs untuk lokas k-, g u, v mrupakan ntrsp dan mmnuh konds u, v u, v L G u, v, dan u, v adalah ttk koordnat (longtud, lattud)..3 Estmas Paramtr Modl GWOLR Paramtr modl GWOLR dapat dstmas mnggunakan mtod maksmum lklhood trbobot, yatu dngan mmbrkan pmbobot gografs yang brbda untuk stap lokas pada fungs ln-lklhood. Estmas paramtr pada lokas k- dprolh dngan mlakukan turunan parsal prtama trhadap paramtr yang akan dstmas dan kmudan dsamakan dngan nol (Atknson, Grman, Sar, dan Clark []). Hasl turunan parsal prtama yang dprolh brbntuk nonlnar shngga dprlukan suatu mtod numrk untuk mmprolh stmas paramtrnya. Mtod numrk yang dapat dgunakan adalah mtod tras Nwton-Raphson. Olh karna tu dprlukan turunan parsal kdua dar fungs ln-lklhood trbobot trhadap paramtr yang akan dstmas. 3. HASIL PENELIIAN DAN PEMBAHASAN Pada pnltan n, paramtr dalam modl GWOLR yatu u, v u, v u, v u, v u, v θ L G dstmas dngan mnggunakan mtod maxmum lklhood trbobot. Langkah awal dngan mmbntuk fungs lklhood. Msalkan dambl nsampl randomy, Y,..., Y n dngan pluang hasl pada * katgor g adalah x. Jka dmsalkan varabl rspon mmlk 4 buah katgor maka g fungs lklhood yang trbntuk kmudan d-ln-kan sbaga brkut : Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

5 ISBN : n u, v u, v x θ x L * y j u, v u, v y j y j y ln j y j ln u, v x u, v u, v x u, v u, v u, v y j y ln x y ln u, v x u, v u, v x u, v u, v x u, v 3 u, v u, v x u, v u, v u, v u, v 3 x u, v u, v u, v y j y j ln x w j u, v Faktor ltak gografs mrupakan faktor pmbobot pada modl GWOLR yang dsmbolkan w u, v. Faktor n mmlk nla yang brbda untuk stap lokas yang dngan j mnunjukkan sfat lokal pada modl GWOLR. Olh karna tu pmbobot dbrkan pada bntuk lnlklhoodnya untuk modl GWOLR. Estmas paramtr dlakukan dngan mlakukan turunan parsal prtama dar fungs ln-lklhood trhadap paramtr yang akan dstmas dan kmudan dsamakan dngan nol. * n u, v u, v u, v u, v L x x y j y j y j y y,, j u v x u v x x j u, v x u, v u, v 3u, v x u, v + y u, v x u, v u, v x u, v 3 u, v x u, v u, v 3u, v x u, v 3 3x 0 u, v u, v 3 u, v 3 x u, v * * L L Slan paramtr d atas, juga dlakukan pnurunan trhadap,, * * * * * * L, L L L,, 3, L L, dan.hasl turunan parsal prtama yang 3 dprolh mrupakan fungs nonlnar trhadap paramtr yang akan dstmas shngga dprlukan suatu mtod numrk untuk mmprolh stmas paramtrnya. Mtod numrk yang dapat dgunakan adalah mtod tras Nwton-Raphson. Olh karna tu dprlukan turunan parsal kdua dar fungs ln-lklhood trhadap paramtr yang akan dstmas. Hasl turunan parsal kdua trhadap paramtr yang akan dstmas shngga dprolh : 3 Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

6 ISBN : * n u, v x u, v u, v u, v x u, v L y y y y j y j j j u, v x u, v u, v x u, v u, v x u, v u, v u, v x u, v u, v u, v x u, v u, v u, v 3 x u, v u, v u, v u, v 3 x u, v 3 u, v x u, v u, v x u, v u, v x u, v u, v u, v u, v 4 x u, v u, v u, v u, v 4 x u, v u, v 3 u, v x u, v u, v u, v 3u, v 3 x u, v u, v u, v x u, v u, v u, v x u, v * n L y j y,, u, v u, v u, v u, v u v u v j x x x u, v u, v u, v 3 x u, v u, v u, v u, v 4 x u, v 3 3 u, v x u, v 3 u, v x u, v u, v 3 u, v x u, v u, v u, v 3 u, v 3 x u, v Slan kdua paramtr d atas, juga dlakukan stmas trhadap paramtr * L, * L, * L, 3 * L, * L, dan 3 L *. * L 3, Prsamaan yang dgunakan dalam pross tras Nwton-Raphson untuk θ ˆ u, v yatu : mndapatkan nla u, v u, v u, v u, v ( t ) ( t ) ( t ) ( t ) θ θ H θ q θ Pross tras Nwton-Raphson brhnt jka trpnuh konds konvrgn, yatu slsh ( t) ( t ) θ u, v θ u, v, dmana adalah blangan yang sangat kcl. Hasl stmas ( t) yang dprolh adalah u, v θ pada saat tras trakhr.prosdur tras n dulang untuk stap lokas k-, shngga akan ddapatkan pnaksr paramtr lokal modl GWOLR. 4. SIMPULAN Paramtr modl GWOLR dapat dstmas mnggunakan mtod maksmum lklhood trbobot, yatu dngan mmbrkan pmbobot gografs yang brbda untuk stap lokas pada fungs ln-lklhood. Estmas paramtr pada lokas k- dprolh dngan Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

7 ISBN : mlakukan turunan parsal prtama trhadap paramtr yang akan dstmas dan kmudan dsamakan dngan nol. Hasl turunan parsal prtama yang dprolh mrupakan fungs nonlnar trhadap paramtr yang akan dstmas shngga dprlukan suatu mtod numrk untuk mmprolh stmas paramtrnya. Mtod numrk yang dapat dgunakan adalah mtod tras Nwton-Raphson. Olh karna tu dprlukan turunan parsal kdua dar fungs ln-lklhood trhadap paramtr yang akan dstmas. DAFAR PUSAKA [] Agrst, A. (00). Catgorcal Data Analyss (Scond d.). Nw York: John Wly & Sons. [] Atknson, P. M., Grman, S. E., Sar, D. A., & Clark, M. J. (003). Explorng th Baltag, B. H Economtrc Analyss of Panl Data. Nw York: John Wly dan Sons. [3] Fothrngham, A. S., Brunsdon, C., & Charlton, M. (00). Gographcally Wghtd Rgrsson. UK: John Wly & Sons. [4] Nkaya,., Fothrngham, A. S., Brunsdon, C., & Charlton, M. (005). Gographcally Wghtd Posson Rgrsson for Dsas Assocaton. Mappng Statstcs n Mdcn, 4(7), Prosdng Smnar Nasonal Matmatka dan Pnddkan Matmatka UMS

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

Lebih terperinci

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

PEMODELAN REGRESI HURDLE NEGATIVE BINOMIAL DENGAN VARIABEL DEPENDEN TERSENSOR KANAN PADA KASUS TETANUS NEONATORUM DI INDONESIA

PEMODELAN REGRESI HURDLE NEGATIVE BINOMIAL DENGAN VARIABEL DEPENDEN TERSENSOR KANAN PADA KASUS TETANUS NEONATORUM DI INDONESIA ESIS - SS450 PEMODELAN REGRESI HURDLE NEGAIVE BINOMIAL DENGAN VARIABEL DEPENDEN ERSENSOR KANAN PADA KASUS EANUS NEONAORUM DI INDONESIA Rza Yul Rusdana NRP 35 0 03 DOSEN PEMBIMBING Dr. Dra. Isman Zan, M.

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 193-204 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR) DENGAN

Lebih terperinci

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract JRNAL MATEMATIKA DAN KOMPTER Vol. 5. No., 4-4, Aprl, ISSN : 4-858 METODE ELEMEN INGGA NTK MASALA SARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF Sutrma Jurusan matmatka FMIPA NS Abstract Th purpos of ths

Lebih terperinci

PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI

PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI Volum 21, No 2, Dcmbr 2017 (153-161) Onln: http://journal.uny.ac.d/ndx.php/jpp PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI Unvrstas Vtran Bangun Nusantara Sukoharjo suwartowarto@yahoo.com,

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO Saptana 1, Arf Daryanto 2, Hny K. Daryanto 2, dan Kuntjoro 2 1 Pusat Analss Sosal Ekonom dan Kbjakan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11] BAB II TINJAUAN PUSTAKA II.1 Umum Tngkat playanan suatu jarngan jalan tntukan olh waktu prjalanan, baya prjalanan (tarf an bahan bakar), knyamanan, an kamanan pnumpang. Jka trja pnurunan tngkat playanan

Lebih terperinci

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

PENERAPAN PEMODELAN DAN METODE KURVA REAKSI PROSES UNTUK MENGIDENTIFIKASI SISTEM DURESS

PENERAPAN PEMODELAN DAN METODE KURVA REAKSI PROSES UNTUK MENGIDENTIFIKASI SISTEM DURESS 30 ISSN 06-38 Yoyok Dw Styo Pambud PENERAPAN PEMODELAN DAN METODE KURVA REAKSI PROSES UNTUK MENGIDENTIFIKASI SISTEM DURESS Yoyok Dw Styo Pambud Pusat Tknolog Raktor dan Kslamatan Nuklr, BATAN Gd. 80 Kawasan

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

Lebih terperinci

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA BAB II IMPEDANSI SUJA KAWA ANAH DAN MENAA II. UMUM Saluan tansms lbh tngg dbandngkan objk d skllngnya, kana tu saluan tansms mmlk sko bsa untuk tkna sambaan pt. Untuk mngatas hal tsbut maka saluan tansms

Lebih terperinci

Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network

Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: 230-928X D-36 Pmodlan Faktor-faktor yang Mmpngaruhi Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik dan Nural Ntwork Wijdani Anindya Hadi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Pada bab n akan duakan bbapa konsp dan mtod yang mnjad dasa pnulsan tugas akh n. Bbapa konsp dan mtod tsbut alah pnclan, tata caa mndtks pnclan, mtod OLS, mnntukan ata-ata kuadat tkcl

Lebih terperinci

Aplikasi BPF (Band Pass Filter) Digital Untuk Pendeteksian Sinyal AFSK (Amplitudo Shift Keying) Pada Piranti RTTY (Radio Tele Type)

Aplikasi BPF (Band Pass Filter) Digital Untuk Pendeteksian Sinyal AFSK (Amplitudo Shift Keying) Pada Piranti RTTY (Radio Tele Type) TEKNOLOGI DI INDUSTRI (SENIATI) 216 ISSN : 285-4218 Aplkas BPF (Band Pass Fltr) Dgtal Untuk Pndtksan Snyal AFSK (Ampltudo Shft Kyng) Pada Prant RTTY (Rado Tl Typ) Achmad Stawan 1,*, Kusno Suryad 1 1 Tknk

Lebih terperinci

8. Fungsi Logaritma Natural, Eksponensial, Hiperbolik

8. Fungsi Logaritma Natural, Eksponensial, Hiperbolik 8. Fungsi Logaritma Natural, Eksponnsial, Hiprbolik 8.. Fungsi Logarithma Natural. Sudaratno Sudirham Dfinisi. Logaritma natural adalah logaritma dngan mnggunakan basis bilangan. Bilangan ini, sprti halna

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324 JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian

Lebih terperinci

Gelombang Datar Lintas Medium

Gelombang Datar Lintas Medium Rvs Fbruar 00 33 Modul 4 lktromagntka Tlkomunkas Glombang Datar Lntas Mdum Olh : Nachwan Muft Adransyah, ST, MT Organsas Modul 3 Glombang Datar Lntas Mdum A. Pndahuluan B. Glombang Jatuh Normal C. Konsp

Lebih terperinci

Pada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P.

Pada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P. nurunan Kcpatan Glombang dan Glombang S Glombang sismik mrupakan gtaran yang mrambat pada mdium batuan dan mnmbus lapisan bumi. njalaran mnybabkan dformasi batuan.strss atau tkanan didfinisikan gaya prsatuan

Lebih terperinci

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara

Lebih terperinci

TINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER

TINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER TINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER HannaA Parhusip Cntr of Applid Mathmatics Program Studi Matmatika Industri dan Statistika Fakultas Sains dan Matmatika Univrsitas Kristn Sata

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

Lebih terperinci

PEMODELAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA KASUS TETANUS NEONATORUMDI PROVINSIJAWA TIMUR

PEMODELAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA KASUS TETANUS NEONATORUMDI PROVINSIJAWA TIMUR ISBN : 978.602.36.002.0 PEMODELAN REGRESI ZERO INFLAED NEGAIVE BINOMIAL (ZINB) PADA KASUS EANUS NEONAORUMDI PROVINSIJAWA IMUR Cndy Cahyanng Asut, Isman Zan 2 Mahasswa Jurusan Statstka Insttut eknolog Sepuluh

Lebih terperinci

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL Aplkas Statstka Dalam Bdang Kshatan Dngan grs Logstk Ordnal ohan Bdhana APLIKASI SAISIKA DALAM BIDANG KESEHAAN DENGAN EGESI LOGISIK ODINAL ohan Bdhana* jb_bdhana@yahoo.co.d SIKES Kota Skabm Abstrak Dalam

Lebih terperinci

PENGUAT FREKUENSI RENDAH (lanjutan)

PENGUAT FREKUENSI RENDAH (lanjutan) EEKTONK NOG Prtmuan 4 PENGUT FEKUENS ENDH (lanjutan) Pngkut Emtr (Emttr Followr) Pnguat transstor kolktor umum (ommon-mttr) dsut juga dgn stla pngkut mtr. Konfgurasnya dgamarkan s. Konfguras kolktor-umum

Lebih terperinci

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN ANALISIS TINGKAT KESEHATAN BANK PADA PD BPR BKK KENDAL DENGAN METODE RGEC TAHUN 2009 2012 NABELLA ROSALIANA Unvrstas Dan Nuswantoro Smarang E-mal: nabllarosalana@gmalcom ABSTRACT Th bankng ndustry s fnancal

Lebih terperinci

PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX

PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX Prosiding SPMIPA. pp. 3-39, 006 ISBN : 979.704.47.0 PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX Eka Ariani, Agus Rusgiyono Jurusan Matmatika FMIPA Univrsitas Dipongoro Jl.

Lebih terperinci

Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur Dengan Menggunakan Metode Geographically Weighted Poisson Regression

Faktor yang Mempengaruhi Kematian Ibu Hamil di Jawa Timur Dengan Menggunakan Metode Geographically Weighted Poisson Regression Faktor yang Mempengaruh Kematan Ibu Haml d Jawa Tmur Dengan Menggunakan Metode Geographcally Weghted Posson Regresson Rfk Arsta-1311.105.009 rfk11@mhs.statstka.ts.ac.d Pembmbng : Ir. Mutah Salamah, M.

Lebih terperinci

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

Modifikasi Metode Full Wave di Sekitar Titik Singular

Modifikasi Metode Full Wave di Sekitar Titik Singular Kontrbus Fska Indonsa Vol. 3 No.3, Jul 2002 Abstrak odfkas tod Full Wav d Sktar Ttk Sngular Ttk Stawat Bdang Aplkas Gomagnt dan agnt Antarksa, Pusat Pmanfaatan Sans Antarksa LAPAN, Jl. Dr. Junjunan 33

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam

Lebih terperinci

Independent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi

Independent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi Independent Var. Dependent Var. Test Nomnal Interval Independent t-test, ANOVA Nomnal Nomnal Cross Tabs, Ch Square, dan Koefsen Kontngens Nomnal Ordnal Mann Whtney, Kolmogorov- Smrnow, Kruskall Walls Ordnal

Lebih terperinci

PERANCANGAN DAN SIMULASI FEEDFORWARD AUTOTUNING PID DECOUPLING TITO SYSTEM KOLOM DISTILASI METANOL-AIR

PERANCANGAN DAN SIMULASI FEEDFORWARD AUTOTUNING PID DECOUPLING TITO SYSTEM KOLOM DISTILASI METANOL-AIR Prodng Smnar Naonal Manajmn Tknolog XVIII Program Stud MMT-ITS, Surabaya 7 Jul 13 PERANCANGAN AN SIMULASI FEEFORWAR AUTOTUNING PI ECOUPLING TITO SYSTEM OLOM ISTILASI METANOL-AIR Ral Harudan 1), atjuk Atrowulan

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL J-Statistika Vol 4 No PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL Prmadina Kanah Ariska -mail : blaar_statistika@yahoo.com ABSTRAK Rgrsi logistik

Lebih terperinci

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api.

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api. 6 yang diharapkan. Msin infrnsi disusun brdasarkan stratgi pnalaran yang akan digunakan dalam sistm dan rprsntasi pngtahuan. Msin infrnsi yang digunakan dalam pngmbangan sistm pakar ini adalah FIS. Implmntasi

Lebih terperinci

Analisis Rangkaian Listrik

Analisis Rangkaian Listrik Sudaryatno Sudirham Analisis Rangkaian Listrik Mnggunakan Transformasi Fourir - Sudaryatno Sudirham, Analisis Rangkaian Listrik (4) BAB Analisis Rangkaian Mnggunakan Transformasi Fourir Dngan pmbahasan

Lebih terperinci

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs

Lebih terperinci

MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2

MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2 Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT Setawan Jurusan Statstka FMIPA Insttut Teknolog Sepuluh Nopember,

Lebih terperinci

Interpretasi data gravitasi

Interpretasi data gravitasi Modul 7 Interpretas data gravtas Interpretas data yang dgunakan dalam metode gravtas adalah secara kualtatf dan kuanttatf. Dalam hal n nterpretas secara kuanttatf adalah pemodelan, yatu dengan pembuatan

Lebih terperinci

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data

Lebih terperinci

Pembahasan Soal. Pak Anang SELEKSI MASUK UNIVERSITAS INDONESIA. Disertai TRIK SUPERKILAT dan LOGIKA PRAKTIS. Disusun Oleh :

Pembahasan Soal. Pak Anang SELEKSI MASUK UNIVERSITAS INDONESIA. Disertai TRIK SUPERKILAT dan LOGIKA PRAKTIS. Disusun Oleh : Pmbahasan Soal SELEKSI MASUK UNIVERSITAS INDONESIA Disrtai TRIK SUPERKILAT dan LOGIKA PRAKTIS Disusun Olh : Pak Anang Kumpulan SMART SOLUTION dan TRIK SUPERKILAT Pmbahasan Soal SIMAK UI 2011 Matmatika

Lebih terperinci

METODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT

METODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT METODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR E. Yuliani, M. Imran, S. Putra Mahasiswa Program Studi S Matmatika Laboratorium Matmatika Trapan, Jurusan

Lebih terperinci

EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS

EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.

Lebih terperinci

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk

Lebih terperinci

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS

MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut

Lebih terperinci

PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR

PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,

Lebih terperinci

Pendekatan Bayes Empirik Pada Pendugaan Statistik Area Kecil Berbasis Model Poisson-Gamma Dengan Peubah Penyerta

Pendekatan Bayes Empirik Pada Pendugaan Statistik Area Kecil Berbasis Model Poisson-Gamma Dengan Peubah Penyerta Pnkaan Bas mprk Paa Pnugaan Sask Ara Kcl Brbass Mol Posson-Gamma Dngan Pubah Pnra Ksmann Jurusan Pnkan Mamaka FMIPA Unvrsas Ngr ogakara Absrak Bas mprk mrupakan salah sau mo paa pnugaan ara kcl ang apa

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER

FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan

Lebih terperinci

Oleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur

Oleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur Oleh : Der Akhmad (9738) Johan Arfn (9834) Muhammad Alawdo (83) es Hapsar (83) Wndu Pramana Putra (835) Tya Hermoza (849) Gempur Safar (877) Febra Aryan (97) Asr Wdyasar (978) Nur Inayah (4) Adharsa Rakhman

Lebih terperinci

ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini

ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program

Lebih terperinci

PENENTUAN DENSITAS PERMUKAAN

PENENTUAN DENSITAS PERMUKAAN PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Yuli Syafti Purnama 1 ABSTRACT

METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Yuli Syafti Purnama 1 ABSTRACT METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Yuli Syafti Purnama Mahasiswa Program Studi S Matmatika Fakultas Matmatika dan Ilmu Pngtahuan Alam Univrsitas Riau Kampus

Lebih terperinci

SIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE

SIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE SIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE Fabio Dwi Bagus Irawan 1,a, Cahyo Budiyantoro 1,b, Thoharudin 1,c 1 Program Studi Tknik Msin, Fakultas Tknik, Univrsitas

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

ANALISIS HUBUNGAN FAKTOR FAKTOR YANG MEMPENGARUHI PREDIKAT PERUSAHAAN ASURANSI UMUM DI INDONESIA PERIODE DESEMBER 2013 NOVEMBER 2014

ANALISIS HUBUNGAN FAKTOR FAKTOR YANG MEMPENGARUHI PREDIKAT PERUSAHAAN ASURANSI UMUM DI INDONESIA PERIODE DESEMBER 2013 NOVEMBER 2014 ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 563-573 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan ANALISIS HUBUNGAN FAKTOR FAKTOR YANG MEMPENGARUHI PREDIKAT PERUSAHAAN

Lebih terperinci

PENENTUAN NILAI e/m ELEKTRON

PENENTUAN NILAI e/m ELEKTRON Pnntuan Nilai E/m Elktron 013 PENENTUAN NILAI /m ELEKTRON Intan Masruroh S, Anita Susanti, Rza Ruzuqi, Zaky Alam Laboratorium Fisika Radiasi, Dpartmn Fisika Fakultas Sains Dan Tknologi, Univrsitas Airlangga

Lebih terperinci

Bab 1 Ruang Vektor. I. 1 Ruang Vektor R n. 1. Ruang berdimensi satu R 1 = R = kumpulan bilangan real Menyatakan suatu garis bilangan;

Bab 1 Ruang Vektor. I. 1 Ruang Vektor R n. 1. Ruang berdimensi satu R 1 = R = kumpulan bilangan real Menyatakan suatu garis bilangan; Bab Ruang Vktor I. Ruang Vktor R n. Ruang brdimnsi satu R = R = kumpulan bilangan ral Mnyatakan suatu garis bilangan; -3 - - 0. Ruang brdimnsi dua R = bidang datar ; Stiap vktor di R dinyatakan sbagai

Lebih terperinci

ANALISIS NOSEL MOTOR ROKET RX LAPAN SETELAH DILAKUKAN PEMOTONGAN PANJANG DAN DIAMETER

ANALISIS NOSEL MOTOR ROKET RX LAPAN SETELAH DILAKUKAN PEMOTONGAN PANJANG DAN DIAMETER Analisis Nosl Motor Rokt RX-1 LAPAN... (Ahmad Jamaludin Fitroh, Sari) ANALISIS NOSEL MOTOR ROKET RX - 1 LAPAN SETELAH DILAKUKAN PEMOTONGAN PANJANG DAN DIAMETER Ahmad Jamaludin Fitroh, Sari Pnliti Pnliti

Lebih terperinci

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap...

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap... Palu, t al, Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska... Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska dalam Pncgahan HIV/AIDS Pada Rmaja d SMP Ngr 1 Pugr Kabuatn Jmbr (Th ffct of Talkng Stck

Lebih terperinci

Catatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan

Catatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan

Lebih terperinci

Oleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran

Oleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran Abstrak MENGESTIMASI BEBERAPA DATA HILANG (MISSING DATA) DAN ANALISIS VARIANS UNTUK RANCANGAN BLOK ACAK SEMPURNA Oleh : Enny Supartn Departemen Statstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

MODEL DINAMIS RANTAI MAKANAN TIGA SPESIES

MODEL DINAMIS RANTAI MAKANAN TIGA SPESIES MODL DINAMIS RANTAI MAKANAN TIGA SPSIS Wj Bu Pratkno an Sunarsh Program Stu Matmatka FMIPA UNDIP Jl. Prof. Soarto SH Smarang 575 Astract. Thr spcs foo chan mols ar mol that xprss th ntracton of thr populatons

Lebih terperinci

Pengaruh Penyisipan Induktor dan Kapasitor pada Sambungan Saluran Udara dan Kabel Distribusi 20 kv terhadap Perambatan Gelombang Tegangan Surja

Pengaruh Penyisipan Induktor dan Kapasitor pada Sambungan Saluran Udara dan Kabel Distribusi 20 kv terhadap Perambatan Gelombang Tegangan Surja 8 Pngaruh Pnyspan Indukor dan Kapasor pada Sambungan Saluran Udara dan Kabl Dsrbus kv rhadap Prambaan Glombang gangan Surja Moch. Dhofr Absrak Dalam ulsan n dpaparkan pngaruh sspan L sr aau C parall danara

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1 JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-3 (3-8 Prt) D- Pmodla Partspas Wata dalam Kgata Ekoom Rumah Tagga Nlaya d Pssr Tmur Surabaya (Stud Kasus Kcamata Kcamata Bulak, Mulyorjo, da Kjra) Irma Harlagtyas,

Lebih terperinci

II. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf

II. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf II. LANDASAN TEORI 2.1 Konsp Dasar Graf Pada bagian ini akan dibrikan konsp dasar graf dan dimnsi partisi graf yang digunakan sbagai landasan tori pada pnlitian ini. Tori dasar mngnai graf yang akan digunakan

Lebih terperinci

ADAPTIF NEUROFUZZY INFERENCE SYSTEM UNTUK PENGUKURAN ph

ADAPTIF NEUROFUZZY INFERENCE SYSTEM UNTUK PENGUKURAN ph ADAPTIF EUROFUZZ IFERECE SSTEM UTUK PEGUKURA ph Totok R. Byanto Tknk Fska FTI, ITS Surabaya Kampus ITS Surabaya, Sukollo Surabaya Tlp: 597 Fax: 590 Emal: trb@p.ts.ac.d ABSTRAK: Srng dngan mnngkatnya kbutuhan

Lebih terperinci

WEIBULL TWO PARAMETER

WEIBULL TWO PARAMETER WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun

Lebih terperinci

ANALISIS DATA SPASIAL MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur)

ANALISIS DATA SPASIAL MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur) ANALISIS DATA SPASIAL MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (Stud Kasus Data PDRB per Kapta d Provns Jawa Tmur) Wahyu Sr Lestar ), Gandh Pawtan ), Mndra Jaya 3) ) Mahasswa Program Magster

Lebih terperinci

4. DI D FRA R K A S K I

4. DI D FRA R K A S K I 4. DIFRAKSI Dfraks adalah dvas dar prambatan cahaya atau pmblokan arah rambat cahaya. fk dfraks adalah karaktrstk dar fnomna glombang, apakah buny, atau cahaya dmana mukamuka glombangnya dblokkan.. Hchts,

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci