Jurnal EKSPONENSIAL Volume 8, Nomor 2, Nopember 2017 ISSN
|
|
- Farida Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Peerapa Metode Aalisis Regresi Logistik Bier Da Classificatio Ad Regressio Tree (CART) Pada Faktor yag Mempegaruhi Lama Masa Studi Mahasiswa Applicatio Of Biary Logistic Regressio Ad Classificatio Ad Regressio Tree (CART) Methods O Factors Affectig Legth Of Study Period Of Studets Chairuisa 1, Yuki Novia Nasutio 2, da Ika Puramasari 3 1 Laboratorium StatistikaTerapa FMIPA Uiversitas Mulawarma 2,3 Jurusa Matematika FMIPA Uiversitas Mulawarma 1 aisa.adhifa24@gmail.com Abstract Biary Logistic Regressio is oe of the logistic regressio aalysis which is used to aalyze the relatioship betwee a dichotomous depedet variable with several idepedet variables. Classificatio ad Regressio Tree (CART) is oe of the methods that developed to perform classificatio aalysis o depedet variables either o omial, ordial, or cotiuous scale. I this research, Biary Logistic Regressio method ad Classificatio ad Regressio Tree (CART) applied to the data of the studets at Faculty of Math ad Natural Sciece Mulawarma Uiversity graduated i year 2016 to determie the characteristic of studet which is classified accordig to two categories that is the study period less tha or equal to 5 years ad study period more tha 5 Years, with five idepedet variables amely GPA Graduates X 1, Geder X 2, Type of Juior School X 3, Domicile X 4, ad Maor X 5. Factors that ifluece the study period of the studets based o Biary Logistic Regressio method are GPA, Geder, Secodary School Type ad Maor. The result of classificatio by usig CART method is the studet who have the study period less tha or equal to 5 Years is a studet from Chemistry maor or have GPA betwee 3,51 ad 4,00, while the study period more tha 5 Year is the studet who have GPA betwee 2,00 ad 2,75; 2,76 ad 3,50. I terms of classificatio accuracy, Biary Logistic Regressio method was able to accurately predict the observatio as much as 75.0%, while the CART method was able to accurately predict the observatio as much as 77.27%. Keywords : CART, Accuracy of Classificatio, Study Period, Biary Logistic Regressio. Pedahulua Pedidika petig bagi setiap orag sebagai bekal utuk dapat melagsugka kehidupaya. Petigya pedidika bagi setiap orag di dalam sebuah egara aka memberika pegaruh positif terhadap egara tersebut karea dega pedidika aka meigkatka kualitas sumber daya mausia sehigga bagi egara tetu aka meambah daya saig terhadap egara lai. Berdasarka Peratura Meteri Pedidika da Kebudayaa Republik Idoesia Nomor 49 Tahu 2014 tetag Stadar Nasioal Pergurua Tiggi yag tertulis pada Pasal 17 Nomor 3 masa studi terpakai bagi mahasiswa dega beba belaar program Diploma IV atau Saraa adalah selama 5 tahu. Fakultas Matematika da Ilmu Pegetahua Alam (FMIPA) Uiversitas Mulawarma merupaka salah satu fakultas dega umlah mahasiswa yag relatif bayak da memiliki empat Jurusa atara lai Statistika, Kimia, Biologi, da Fisika. Pada keyataaya, cukup bayak mahasiswa yag masa studiya paag dikareaka bayak faktor-faktor yag mempegaruhi ketidaktepata waktu kelulusa mahasiswa tersebut. Sehigga perlu dilakuka aalisis utuk megetahui faktor apa saa yag mempegaruhi lama masa studi mahasiswa FMIPA. Regresi logistik bier merupaka salah satu regresi logistik yag diguaka utuk megaalisis hubuga atara satu variabel terikat da beberapa variabel bebas, dega variabel terikatya berupa data kualitatif dikotomi yaitu berilai 1 utuk meyataka keberadaa sebuah karakteristik da berilai 0 utuk meyataka ketidakberadaa sebuah karakteristik (Hosmer & Lemeshow, 2000). CART adalah salah satu metode atau algoritma dari salah satu tekik eksplorasi data yaitu tekik poho keputusa. CART dikembagka utuk melakuka aalisis klasifikasi pada variabel terikat baik yag omial, ordial maupu kotiu (Breima dkk, 1993). Berdasarka hal-hal yag telah diuraika, maka Peulis tertarik utuk membahas tetag pegguaa Metode Regresi Logistik Bierda Classificatio ad Regressio Tree (CART) dalam megaalisis lama masa studi mahasiswa Fakultas Matematika da Ilmu Pegetahua Alam (FMIPA) Uiversitas Mulawarma dega variabel-variabel yag mempegaruhi lama masa studi mahasiswa. Regresi Logistik Bier Aalisis Regresi Logistik Bier memiliki tuua utuk medapatka model terbaik da sederhaa yag meggambarka hubuga atara variabel terikat dega variabel-variabel bebas, dega variabel terikatya yag bersifat dikotomi da variabel bebasya dapat berupa variabel kualitatif da kuatitatif(hosmer da Lemeshow, 2000). Program Studi Statistika FMIPA Uiversitas Mulawarma 125
2 Syarat utama dalam regresi logistik bier adalah variabel terikatya berupa variabel bier yaitu variabel diskrit dega dua ilai. Misalya diambil ilustrasi, bila variabel terikat tidak teradi diberi ilai 0 da bila variabel terikat teradi diberi ilai 1, sedagka variabel bebasya dapat berupa variabel kuatitatif. Utuk ilai variabel bebas bertipe kualitatif biasaya disebut uga variabel boeka (dummy) da dilakuka pemberia suatu agka agar dapat diaalisis. Variabel kualitatif ii berupa variabel dikotomi atau dapat berupa variabel polikotomus. Utuk variabel berupa kuatitatif didefiisika secara lagsug da biasaya disebut variabel kotiu. Peaksira Parameter Regresi Logistik Bier Dalam Hosmer da Lemeshow (2000), peaksira parameter pada model regresi logistik yag mempuyai variabel terikat dikotomi adalah megguaka metode Maximum Likelihood Estimatio (MLE). Pada dasarya metode MLE meetapka asumsi distribusi Beroulli da obek pegamata salig bebas atau memberika ilai taksira parameter dega memaksimumka fugsi likelihood (likelihood fuctio). Dalam betuk persamaa matematis, persamaa logistik diyataka dalam betuk berikut : p 0 x 1 e (1) ( x) p 0 x 1 1 e Fugsi ii merupaka probabilitas dari data dalam meghasilka ilai estimasi parameter. Jika y=1, maka P( y 1 x) e p 0 x 1 p 0 x 1 1 e Jika y=0, maka 1 P( y 0 x) 0 1 e Betuk fugsi likelihoodya adalah : xi x yi p x 1 da, L β 1 xi (2) i1 1 i dega L β = likelihood. Utuk memaksimalka fugsi likelihood, rumus tersebut diubah ke dalam betuk log likelihood dega otasi l β utuk memudahka peyelesaia persamaa matematisya dapat diperoleh persamaa : l β = yi l xi 1 yi l1 xi i1 (3) Peguia Parameter Peguia parameter dalam regresi petig utuk dilakuka. Hal ii dikareaka peguia tersebut diguaka utuk meetuka apakah variabel bebas dalam model sigifika terhadap variabel terikat. Peguia dapat dilakuka secara: Ui Simulta Meurut Hosmer da Lemeshow (2000), ui simulta bertuua utuk megetahui pegaruh variabel bebas secara seretak atau simulta terhadap variabel terikat. Lagkah peguiaya adalah sebagai berikut : Hipotesis : H 0 : β 1 = β 2 = = β P = 0 H 1 : Palig sedikit ada satu β 0, (miimal ada satu variabel bebas yag berpegaruh secara simulta terhadap variabel terikat) dimaa = 1,2,, p Statistik Ui : Statistik ui yag diguaka adalah G, yaki likelihood ratio : G i 2 0 yi l ˆ i 1 yi l1 ˆ i 1 l1 0 l l 1 Statistik ui G ii megikuti distribusi chi-square dega db adalah deraat bebas yag merupaka bayakya variabel bebas dalam model. Keputusa ui diperoleh dega membadigka G da ilai χ 2 (H 0 ditolak ika ilai G χ 2 (α,db ) ). Ui Parsial Dalam Hosmer da Lemeshow (2000), ui parsial dilakuka dega megui setiap β secara idividual aka meuuka apakah suatu variabel bebas layak utuk masuk dalam model atau tidak. Hipotesis : H 0 :β = 0, (tidak ada pegaruh variabel bebas ke- terhadap variabel terikat) H 1 : β 0, (ada pegaruh variabel bebas ke- terhadap variabel terikat) dimaa = 1, 2,...,p Statistik Ui : ˆ W,dega SE ˆ var ˆ (5) SE ˆ (4) Statistik ui Wald megikuti distribusi ormal sehigga memperoleh keputusa peguia, ilai W dibadigka dega ilai Z α/2 (H 0 ditolak ika ilai W Z α/2 atau p-value α). Ui Kesesuaia Model Dalam Hosmer da Lemeshow (2000), ui statistik Goodess of Fit diguaka utuk megetahui kesesuaia model. Lagkah Ui Goodess of Fit adalah sebagai berikut : Hipotesis : H 0 : Tidak ada perbedaa atara hasil pegamata dega ilai dugaa H 1 : Ada perbedaa atara hasil pegamata dega ilai dugaa 126 Program Studi Statistika FMIPA Uiversitas Mulawarma
3 Statistik Ui : Cˆ g k 1 ' Ok k k (6) ' ˆ 1 k k k 2 Utuk variabel bebas yag bersifat polikotomus, metode yag dipilih adalah megguaka koleksi desai variabel (Dummy variabel). Jika H 0 bear, maka distribusi statistik ui C megikuti distribusi chi-square dega deraat bebas g-2.daerah peolaka H 0 adalah ika C χ 2 (α,g 2) atau p-value α. Peafsira Koefisie Model Regresi Logistik Dalam megiterpretasika atau meafsirka koefisie β pada regresi logistik, hal yag harus selalu diperhatika adalah eis variabel bebasya, berupa dikotomi, polikotomus atau kotiu. Odds ratio (ψ) diguaka utuk megitrepretasi model regresi logistik. Utuk variabel bebas yag bersifat dikotomi, diasumsika ilai x adalah 0 da 1, sehigga dalam model aka terdapat dua ilai π(x) da dua ilai 1 π(x). Tabel 1. Nilai Model Regresi Logistik utuk Variabel Bebas bersifat Bier Variabel Bebas (x) Variabel terikat (y) y = 1 y = 0 x = 1 x = 0 π 1 = eβ 0+β e β π 0 = eβ0 0+β e β π 1 = 1 + e β 1 π 0 = 0+β e β 0 (Sumber : Hosmer da Lemeshow, 2000) Odds ratio utuk teradiya variabel terikat di atara variabel bebas yag mempuyai ilai x=1 adalah : P y = 1 x = 1) P y = 0 x = 1) = π(1) 1 π(1) Sedagka Odds ratio utuk teradiya variabel terikat di atara variabel bebas yag mempuyai x=0 adalah : P y = 1 x = 0) P y = 0 x = 0) = π(0) 1 π(0) Odds ratio adalah rata-rata besarya kecederuga variabel terikat berilai tertetu ika x=1 dibadigka dega x=0, dilambagka dega ψ da diyataka dalam persamaa : π (1) (1 π 1 ) ψ = π (0) = π(1)/(1 π 1 ), π(0)/(1 π 0 ) (1 π 0 ) Iterpretasi odds-ratio (ψ) adalah meelaska beberapa kali lipat keaika atau peurua peluag y=1, ika ilai variabel bebas (X) berubah sebesar ilai tertetu ilai odds ratio selalu positif. Log odds ratio merupaka perbedaa atau selisih ilai logistik. Dega mesubsitusika model regresi logistik pada Tabel 1, maka odds ratio meadi : ψ = e β 1 Sehigga log odds ratio meadi : l ψ = β 1 (Hosmer da Lemeshow, 2000) Classificatio ad Regressio Tree (CART) CART adalah salah satu metode atau algoritma dari salah satu tekik eksplorasi data yaitu tekik poho keputusa. Metode ii dikembagka oleh Leo Breima, Jerome H. Friedma, Richard A. Olshe da Charles J. Stoe sekitar Tahu 1980-a. CART meghasilka suatu poho klasifikasi ika variabel terikatya kategorik, da meghasilka poho regresi ika variabel terikatya kotiu. Tuua utama CART adalah utuk medapatka suatu kelompok data yag akurat sebagai peciri dari suatu pegklasifikasia (Timofeev, 2004). Meurut Breima, dkk (1993), keuggula dari CART adalah tidak perlu dipeuhiya asumsi sebara oleh semua variabel, serta algoritmaya yag lagsug dapat meagai masalah data hilag. CART uga tidak dipegaruhi oleh pecila, koliieritas, heteroskedastisitas yag biasaya mempegaruhi metode parametrik. Dalam CART, pecila aka diisolasi ke dalam ode (simpul) tertetu sehigga tidak mempegaruhi peyekata, karea megguaka variabel yag koliier sebagai peyekat buata. Poho klasifikasi merupaka metode peyekata data secara berulag (rekursif) da secara bier, karea selalu membagi kumpula data meadi dua sekata. Setiap sekata data diyataka sebagai simpul (ode) dalam poho yag terbetuk. Hasil dari proses peyekata ii direpresetasika dalam suatu struktur poho seperti terlihat pada Gambar 1 (Breima dkk,1993). Lewis (2000) meyebut simpul asal (root) sebagai simpul iduk (paret ode), simpul iduk dapat disekat meadi simpul aak (childre ode). Gambar 1. Struktur Poho Klasifikasi Pada Gambar 1, A, B da C merupaka variabel-variabel peelas yag terpilih utuk meadi simpul. A merupaka simpul asal atau simpul iduk, semetara B da C merupaka simpul aak dimaa C uga merupaka simpul akhir yag tidak bercabag lagi. Semetara t merupaka suatu ilai yag merupaka ilai tegah atara dua ilai amata variabel x secara beruruta. Adapu beberapa lagkah-lagkah peerapa dalam CART, yaitu Pembetuka Program Studi Statistika FMIPA Uiversitas Mulawarma 127
4 Poho Klasifikasi, Pemagkasa Poho Klasifikasi, da Peetua Poho Klasifikasi Pembetuka Poho Klasifikasi Proses pembetukapohoklasifikasi terdiri atas 3 tahapa, yaitu pemiliha pemilah, peetua simpul termial, da peadaa label kelas. Pemiliha Pemilah (Classifier) Utuk membetuk poho klasifikasi diguaka sampel data Learig (L) yag masih bersifat heteroge. Rumus kemugkia pemilah disaika sebagai berikut : Variabel bebas kotiu = 1 pemilaha (7.a) Variabel bebas kategori omial= 2 L 1 1 (7.b) Variabel bebas kategori ordial = L 1 (7.c) dimaa : = Bayakya data pada satu variabel bebas L = Data Learig Sampel tersebut aka dipilah berdasarka atura pemilaha da kriteria goodess of split. Pemiliha pemilah bergatug pada eis poho atau lebih tepatya tergatug pada eis variabel terikatya. Utuk megukur tigkat keheterogea suatu kelas dari suatu simpul tertetu dalam poho klasifikasi dikeal dega istilah impurity measure i(t). Metode fugsi impurity measurei (t) yag serig diguaka adalah Ideks Gii : i t = i p t p k t (8) dimaa : k, = Kelas p t = Probabilitas bersyarat kelas yag berada pada simpul t Goodess Of Split merupaka suatu evaluasi pemiliha oleh pemilah s pada simpul t. Goodess Of Split φ(s, t)didefiisika sebagai peurua keheterogea. Kualitas ukura dari seberapa baik pemilah s dalam meyarig data meurut kelas merupaka ukura peurua keheterogea dari suatu kelas da didefiisika sebagai : φ s, t = i s, t = i t p L i t L p R i t R (9) dega : i t = Fugsi keheterogea ideks Gii φ s, t = Kriteria Goodess Of Split p L i t L = Proporsi pegamata dari simpul t meuu simpul kiri p R i t R = Proporsi pegamata dari simpul t meuu simpul kaa Pemilah yag meghasilka ilai i s, t lebih tiggi merupaka pemilah yag lebih baik karea hal ii memugkika utuk mereduksi keheterogea secara lebih sigifika. Partisi t L da t R, merupaka partisi dari simpul t meadi dua himpua bagia salig lepas dimaa p L da p R adalah proporsi masig-masig peluag simpul. Karea t L t R = t maka ilai i s, t mempresetasika perubaha dari keheterogea dalam simpul t yag semata-mata disebabka oleh pemilah s. Pegembaga poho dilakuka dega mecari semua kemugkia pemilah pada simpul t 1 sehigga ditemuka pemilah s yag memberika ilai peurua keheterogea tertiggi yaitu : i s, t 1 = max s S i s, t 1 (10) (Breima dkk, 1993). Peetua Simpul Suatu simpul t aka meadi simpul termial atau tidak, aka dipilah kembali bila pada simpul t tidak terdapat peurua keheterogea secara berarti atau adaya batasa miimum seperti haya terdapat satu pegamata pada tiap simpul aak. Umumya umlah kasus miimum dalam suatu termial akhir adalah 5, da apabila hal itu telah terpeuhi maka pegembaga poho dihetika (Lewis, 2000). Peadaa Label Kelas Peadaa label kelas pada simpul termial dilakuka berdasarka atura umlah terbayak, yaitu : N (t) p o t = max p t = max (11) N(t) dega p t adalah proporsi kelas pada simpul t, N (t) adalah umlah pegamata kelas pada simpul t da N(t) adalah umlah pegamata pada simpul t. Label kelas simpul termial t adalah o yag memberi ilai dugaa kesalaha pegklasifikasia simpul t terbesar. Proses pembetuka poho klasifikasi berheti saat terdapat haya satu pegamata dalam tiap-tiap simpul aak atau adaya batasa miimum, semua pegamata dalam tiap simpul aak idetik, da adaya batasa umlah level/kedalama poho maksimal. Setelah terbetuk poho maksimal, tahap selautya adalah pemagkasa poho utuk mecegah terbetukya poho klasifikasi yag berukura besar da kompleks. Ideks Gii (Gii Idex) Atura pemisaha Gii (ideks Gii) adalah atura yag palig luas atau palig serig diguaka. Atura ii megikuti fugsi impurity i(t), dimaa fugsi impurity adalah suatu fugsi yag diguaka utuk megukur keakurata model dega memberika idikasi kehomogea kelas-kelas pada data sehigga pada simpul akhir (termial ode) aka didapatka data yag lebih muri. Berdasarka persamaa (8), rumus Ideks Gii adalah : i t = p t p k t k Ideks Gii memiliki iterpretasi yag mearik. Sebagai gati pegguaa atura pluralitas utuk megklasifikasika obek dalam t simpul, megguaka atura yag memberika suatu obek yag dipilih secara acak dari simpul 128 Program Studi Statistika FMIPA Uiversitas Mulawarma
5 (ode) ke kelas dega probabilitas p t. Probabilitas memperkiraka bahwa item sebearya di kelas k adalah p k t. Jika simpul t dibelah meadi 2 buah subset L da R dega ukura masig-masig 1 da 2, ideks gii dari pembelaha tersebut didefiisika sebagai berikut : gii pembela ha t = 1 L + 2 i t R (12) dimaa : gii pembela ha = Nilai ideks Gii setiap variabel i t L = Nilai ideks Gii subset L i t R = Nilai ideks Gii subset R = Bayakya seluruh data 1 2 = Bayakya data pada subset L = Bayakya data pada subset R Ideks Gii ii sederhaa da cepat dihitug, ideks ii uga dapat meggabugka ilai kesalaha variabel simetri dega cara alami. Pemagkasa Poho Klasifikasi Utuk medapatka poho yag layak maka perlu dilakuka pemagkasa (pruig) yaitu suatu peelitia ukura poho tapa megorbaka ketepata melalui peguraga simpul poho sehigga dicapai ukura poho yag layak. Dega kata lai pemagkasa poho dilakuka utuk medapatka poho akhir yag lebih sederhaa. Ukura pemagkasa yag diguaka utuk memperoleh ukura poho yag layak adalah Cost Complexity Miimum (Breima dkk, 1993). Sebagai ilustrasi, utuk sembarag poho T yag merupaka subpoho dari poho terbesar T max diperoleh ukura complexity-ya yaitu T yag meyataka bayakya simpul akhir pada poho T tersebut. Dalam regresi biasa, T aalog dega deraat bebas model. Utuk suatu α 0, yag disebut sebagai parameter complexity yaki ukura tetag cost bagi peambaha satu simpul akhir pada poho T, maka besarya Resubtitutio estimasi poho T pada kompleksitas α adalah : ~ R ( t) R( T ) T (13) dimaa : R α (t) = Resubtitutio suatu poho T pada kompleksitas α R(T) = Resubtitutio Estimate (Proporsi kesalaha pada sub poho) α = Kompleksitas Parameter (Complexity Parameter) T = Ukura bayakya simpul termial poho T(complexity) Resubtitutio suatu poho T pada kompleksitas αmerupaka kombiasi liier dari Resubtitutio Estimate da ilai kompleksitas poho yag dibetuk. Cost complexity pruig meetuka suatu poho bagia T(α) yag memiimumka R α (t) pada seluruh poho bagia utuk setiap ilai α. Nilai kompleksitas α aka secara perlaha meigkat selama proses pemagkasa. Selautya mecari poho bagia max (T α < T) yag memiimumka R α (t) yaitu : R ( T( )) mi R ( T) (14) TTMAX Jika R(T) diguaka sebagai kriteria peetua poho optimal maka aka cederug poho terbesar adalah T 1, sebab semaki besar poho, maka semaki kecil ilai R(T). Yag perlu diperhatikadalam pemagkasa buka T max melaika T 1, yaki suatu sub poho yag memeuhi kriteria R T 1 = R(T max ). Utuk medapatka T 1 dari T max, ambil t L da t R yag merupaka simpul aak kiri da simpul aak kaa dari T max yag dihasilka dari simpul iduk t. Kemudia hitug ilai t L da t R megguaka persamaa R( T) r( t) P( t) (15) Dega ilai r t = 1 max P t da P t adalah peluag beberapa obek yag berada dalam simpul, begitu diperoleh dua simpul aak da simpul idukya yag memeuhi persamaa R( T ) R( t L ) R( t R ) (16) maka pagkas simpul aak t L da t R tersebut (Breima dkk, 1993). Peetua Poho Klasifikasi Optimal Poho klasifikasi yag berukura besar aka memberika ilai peduga peggati palig kecil, sehigga poho ii cederug dipilih utuk meduga ilai respo. Tetapi ukura poho yag besar aka meyebabka ilai kompleksitas yag tiggi karea struktur data yag digambarka cederug kompleks, sehigga perlu dipilih poho optimal yag berukura sederhaa tetapi memberika ilai peduga peggati cukup kecil. Ada dua eis peduga peggati yaitu peduga sampel ui idepedet (idepedet test sample estimate) da peduga validasi silag lipat V (cross validatio V-fold estimate). Peduga validasi silag lipat V serig diguaka apabila pegamata yag dilakuka tidak cukup besar atau sampel kurag dari Pegamata dalam L dibagi secara acak meadi V bagia yag salig lepas dega ukura kurag lebih sama besar utuk setiap kelasya. Poho T (V) dibetuk dari L L V dega v = 1,2,...,V. Misalka d v (x) adalah hasil pegklasifikasia, v peduga sampel ui utuk R(T 1 ) yaitu : ts ( V ) 1 ( V ) R ( Tt ) X ( d ( x x L ) ( ) ) (17) V Nv dega Nv N adalah umlah pegamata V dalam L V. Kemudia dilakuka prosedur yag sama megguaka seluruh L, maka peduga validasi silag lipat V utuk T (V) t adalah : V Cv 1 ts ( v) R ( Tt ) R ( T ) (18) V v1 Program Studi Statistika FMIPA Uiversitas Mulawarma 129
6 Poho klasifikasi optimum dipilih T dega Cv Cv R T ) mi R ( T ) (19) ( * t t Ketepata Klasifikasi Kriteria perbadiga tekik klasifikasi didasarka pada kesalaha klasifikasi yag dikeal dega Apparet Error Rate (APER) merupaka ilai dari besar kecilya umlah observasi yag salah dalam pegklasifikasia berdasarka suatu fugsi klasifikasi (Johso da Wiche, 2007). Tabel 2. Klasifikasi Aktual da Prediksi Kelas Prediksi Kelas Aktual y=0 y=1 y= = 0-00 y=1 10= APER = %(20) Hasil da Pembahasa 1. Aalisis Statistika Deskriptif Karakteristik yag digambarka pada aalisis deskriptif adalah IPK, eis kelami, eis sekolah meegah, daerah asal, urusa Lama Studi 38% 62% <= 5 Tahu > 5 Tahu Gambar 2. Persetase Lama Studi Gambar 2 meuukka lama studi mahasiswa FMIPA Uiversitas Mulawarma Tahu Dari 188 mahasiswa, sebesar 62 % atau 116 mahasiswa FMIPA Uiversitas Mulawarma masuk dalam kategori 1 yaitu lama studi 5 Tahu. 2. Aalisis Regresi Logistik Bier Model regresi logistik bier sesuai pada persamaa (1) dega 5 variabel bebas diperoleh hasil estimasi parameter model regresi sebagai berikut : π x = e 1,199 1,809 X ,688 X 1 2 1,207 X2+1,828 X3 0,144 X4+X ,368 X ,126 X e 1,199 1,809 X ,688 X 1 2 1,207 X2+1,828 X3 0,144 X4+X ,368 X ,126 X 5 3 Tabel 3 meuukka Pegkodea Desai Variabel Polikotomus. Berdasarka Tabel 3 yag meadi IPK Mahasiswa respodeya adalah 3,51 IPK 4,00 kedua desai variabel yag terbetuk yaitu D 1 da D 2 keduaya aka sama dega 0, ketika IPK dari respode adalah 2,76 IPK 3,50 D 1 aka sama dega 1 da D 2 masih sama dega 0; ketika IPK dari respodeya adalah 2,00 IPK 2,75, maka D 1 aka sama dega 0 da D 2 = 1. Tabel 3.Variabel Racaga Utuk IPK Mahasiswa IPK Variabel Racaga Mahasiswa D 1 D 2 3, 51 IPK 4, , 76 IPK 3, , 00 IPK 2, Tabel 4.Variabel Racaga Utuk Jurusa Jurusa Variabel Racaga D 1 D 2 D 3 Biologi Fisika Kimia Matematika Berdasarka Tabel 4 yag meadi Jurusa respodeya adalah Biologi ketiga desai variabel yag terbetuk yaitu D 1, D 2 da D 3 ketigaya aka sama dega 0 ; ketika Jurusa dari respode adalah FisikaD 1 aka sama dega 1, D 2 masih sama dega 0 da D 3 masih sama dega 0 ; ketika Jurusa dari respodeya adalah Kimia maka D 1 aka sama dega 0 da D 2 sama dega 1 da D 3 samadega 0 ; ketika Jurusa dari respodeya adalah Matematika maka D 1 aka sama dega 0 da D 2 sama dega 1 da D 3 sama dega 1. Peguia Sigifikasi Parameter Ui Simulta Hipotesis H 0 : β 1(1) = β 1(2) = β 2 = β 3 = β 4 = β 5(1) = β 5(2) = β 5(3) = 0 (secara simulta variabel bebas tidak berpegaruh terhadap variabel terikat). H 1 :Palig sedikit ada satu β 0, dega = 1,2,...,5 (miimal ada satu variabel bebas yag berpegaruh secara simulta terhadap variabel terikat). Taraf Sigifikasi α = 0,05 atau 5 % Statistik Ui Ui G (Likelihood Ratio Test) pada Persamaa (4), dimaa : 1 = 116 ( Mahasiswa Lama Studi 5 Tahu ) 0 = 72 ( Mahasiswa Lama Studi > 5 Tahu ) = 188 ( Jumlah Mahasiswa Lulus Tahu 2016) Perhituga : Berdasarka perhituga megguaka software SPSS 20 diperoleh : G = 358,962 Daerah Peolaka 2 Meolak H 0 ika ilai G χ (0,05;5) = 11,07 Keputusa da Kesimpula 130 Program Studi Statistika FMIPA Uiversitas Mulawarma
7 Berdasarka hasil perhituga diperoleh ilai G = 358,962 dimaa ilai G = 358,962 2 χ (0,05;5) = 11,07 maka dapat putuska bahwa meolak H 0 sehigga dapat disimpulka bahwa miimal ada satu variabel bebas yag berpegaruh terhadap variabel terikat. Ui Parsial Tabel 5. Ui Parsial Variabel Kostata da Variabel Bebas Var ˆ Wald p-value Keputusa X 1(1) -1,809 10,775 0,001 Meolak H 0 X 1(2) -21,68 0,000 1,000 Meerima H 0 X 2 1,207 7,483 0,006 Meolak H 0 X 3 1,828 4,746 0,029 Meolak H 0 X 4-1,144 0,135 0,713 Meerima H 0 X 5(1) 0,000 0,000 1,000 Meolak H 0 X 5(2) 2,368 19,601 0,000 Meolak H 0 X 5(3) 0,126 0,058 0,809 Meerima H 0 C -1,199 1,223 0,269 Meerima H 0 Hipotesis H 0 : β 0 = 0 (tidak ada pegaruh variabel kostata terhadap variabel terikat). H 1 : β 0 0 (ada pegaruh variabel kostata terhadap variabel terikat) Taraf Sigifikasi α = 0,05 atau 5 % Statistik Ui Ui Wald pada Persamaa (5) Daerah Peolaka Meolak H 0 ika ilai p-value α atau ilaiw Z α/2 Keputusa da Kesimpula Berdasarka Tabel 5 diperoleh ilai p-value utuk variabel kostata adalah sebesar 0,269, da ilai Ui Wald = 1,223<Z 0,05/2 = 1,960 maka dapat disimpulka bahwa tidak ada pegaruh variabel kostata terhadap variabel terikat. Hipotesis H 0 : β = 0 (tidak ada pegaruh variabel bebas ke- terhadap variabel terikat). H 1 : β 0 (ada pegaruh variabel bebas ke- terhadap variabel terikat) dimaa = 1,2,...,5. Taraf Sigifikasi α = 0,05 atau 5 % Statistik Ui Ui Wald pada Persamaa (5) Daerah Peolaka Meolak H 0 ika ilai p-value α atau ilai W Z α/2 Keputusa da Kesimpula Berdasarka Tabel 6 diperoleh ilai p-value utuk variabel X 1(1), X 1 2, X 2, X 3, X 4, X 5(1), X 5(2), X 5(3), masig-masig adalah 0,001 ; 1,000 ; 0,006 ; 0,029 ; 0,713 ; 1,000 ; 0,000 ; da 0,809 da ilai Ui Wald adalah 10,775 ; 000 ; 7,483 ; 4,746 ; 0,135 ; 0,000 ; 19,601 ; 0,058 maka dapat disimpulka bahwa variabel yag berpegaruh secara parsial terhadap lama studi adalah IPK (X 1(1) ), Jeis Kelami (X 2 ), Jeis Sekolah Meegah (X 3 ) da Jurusa (X 5(2) ). Model Terbaik Regresi Logistik Bier Berdasarka hasil output SPSS 20 model terbaik dega megguaka metode Backward Wald diperoleh tabel sebagai berikut : Tabel 6. Nilai Model Regresi Logistik Variabel ˆ P-value X 1(1) -1,820 0,001 X 2-1,221 0,006 X 3 1,816 0,030 X 5(2) 2,359 0,000 Diperoleh model sebagai berikut : π x = eβ 1(1)X 1(1) +β 2 X 2 +β 3 X 3 +β 5(2) X 5(2) 1 + e β 1(1)X 1(1) +β 2 X 2 +β 3 X 3 +β 5(2) X 5(2) Tabel 6 meuukka bahwa model sudah baik. Karea semua variabel memiliki ilai p- value < 0,05. Sehigga dapat disimpulka bahwa faktor-faktor yag sagat berpegaruh pada lama studi adalah IPK (X 1(1) ), Jeis Kelami (X 2 ), Jeis Sekolah Meegah (X 3 ) da Jurusa (X 5(2) ). Sehigga model regresi logistik terbaik utuk memprediksi kepuasa pelagga adalah: π x = e 1,820 X 1 1 1,221 X 2 +1,816 X 3 +2,359X 5(2) 1 + e 1,820 X 1 1 1,221 X 2 +1,816 X 3 +2,359X 5(2) Ui Kesesuaia model Hipotesis H 0 : Model sudah sesuai (Tidak ada perbedaa atara hasil pegamata dega hasil dugaa) H 1 : Model belum sesuai (Ada perbedaa atara hasil pegamata dega hasil dugaa) Taraf Sigifikasi α = 0,05 atau 5 % Statistik Ui Ui Goodess of Fit pada Persamaa (6) Daerah Peolaka Meolak H 0 ika p-value 0,05 atau ilai C χ 2 (α,g 2) Keputusa da Kesimpula Berdasarka Tabel Ui Hosmer da Lemeshow, meuukka bahwa ilai p-value = 0,478 >α = 0,05da ilai C = 6,545 < χ 2 = 14,067 maka dapat diputuska (0,05,7) bahwa gagal meolak H 0 sehigga dapat disimpulka bahwa tidak ada perbedaa atara hasil pegamata dega ilai dugaa atau model regresi tersebut layak utuk diguaka. Program Studi Statistika FMIPA Uiversitas Mulawarma 131
8 Iterpretasi Model Berikut merupaka tabel ilai odds ratio masig-masig variabel. Tabel 7 Kotribusi Variabel X Terhadap Y Variabel Exp( ˆ ) X 1(1) 0,162 X 2 3,390 X 3 6,145 X 5(2) 10,583 Tabel 7 meelaska bahwa : 1. Mahasiswa yag ilai IPK 2,76 IPK 3,50 memiliki peluag sebesar 0,162 kali lebih kecil meempuh Lama Studi 5 Tahu dibadigka dega mahasiswa yag ilai IPK adalah 3,51 IPK 4, Mahasiswa dega eis kelami Perempua memiliki peluag sebesar 3,390 kali lebih lebihbesar meempuh Lama Studi 5 Tahu dibadigka dega dega mahasiswa dega eis kelami Laki-Laki. 3. Mahasiswa dega eis sekolah meegah SMA memiliki peluag sebesar 6,145 kali lebih besar utuk meempuh Lama Studi 5 Tahu dibadigka dega dega mahasiswa dega eis sekolah meegah SMK. 4. Mahasiswa yag berasal dari urusa Kimia memiliki peluag sebesar 10,583 kali lebih besar meempuh Lama Studi 5 Tahu dibadigka dega mahasiswa yag berasal dari urusa Biologi. Ketepata Klasifikasi Model Berikut adalah hasil perhituga ketepata klasifikasi model : % = 75 % 188 Berdasarka perhituga ketepata klasifikasi diperoleh 75 % yag artiya poho klasifikasi yag terbetuk mampu memprediksi dega tepat pegamata sebesar 75%. 3. Classificatio ad Regressio Tree (CART) Pembetuka Poho Klasifikasi N = 96 Dalam proses pembetuka poho klasifikasi, terdapat 3 tahapa yaitu pemiliha pemilah, peetua simpul termial, da peadaa label kelas. Pemiliha Pemilah Perhituga pemilah pada setiap variabel yaitu dega megguaka persamaa (7.b) utuk variabel peelas kategori omial yaitu variabel Jeis Kelami (X 2 ), Jeis Sekolah Meegah (X 3 ), Daerah Asal (X 4 ), da Jurusa (X 5 ), da persamaa (7.c) utuk variabel peelas kategori ordial yaitu Variabel IPK (X 1 ). Adapu IPK = (2,...) > 5 Tahu <= 5 Tahu W = pemiliha pemilah dilakuka dega meghitug ilai IdeksGiisetiapkemugkiapemilah. Tabel 8. Rekapitulasi Idex Gii utuk 5 Variabel Bebas Variabel Nilai Idex Gii IPK kemugkia ke-1 0,4260 IPK kemugkia ke Jeis Kelami 0,4528 Jeis Sekolah Meegah 0,4504 Asal Daerah 0,4723 Jurusa kemugkia ke-1 0,4572 Jurusa kemugkia ke-2 0,4418 Jurusa kemugkia ke-3 0,3928 Jurusa kemugkia ke-4 0,4714 Jurusa kemugkia ke-5 0,4538 Jurusa kemugkia ke-6 0,4444 Jurusa kemugkia ke-7 0,4122 Dari hasil perhituga ilai ideks Gii kelima variabel bebas, dapat diketahui bahwa variabel yag memiliki ilai ideks Gii terkecil adalah variabel Jurusa dega ilai ideks Gii 0,3928. Sehigga variabel Jurusa kemugkia ke-3 yaitu Biologi, Fisika, da Matematika dipilih sebagai pemilah pertama seperti Gambar 3. JURUSAN = (Biologi,...) Node 2 IPK = (2,76 <= IPK <= 3.50, 2.00 <= IPK <= 2.75) Gambar 3. Variabel Pemilah Node 3 Pertama Class = <= 5 Tahu Setelah terbetuk da Class terpilih Cases % kriteria > 5 Tahu pemiliha terbaik, maka simpul <= 5 Tahu yag berisi 188 W = obek W = data dipilah meadi 2 N = 68 simpul. Simpul N = 120 termial 1 terbetuk akibat kriteria variabel Jurusa Biologi, Fisika, da Matematika. Sedagka simpul IPK = (3,...) 2 terbetuk akibat kriteria variabel Jurusa Kimia Node 2 sesuai dega gambar 3. Class = <= 5 Tahu Karea perhituga maual cukup rumit > 5 Tahu da membutuhka waktu yag lama, maka <= 5 Tahu diguaka batua W = softwarespmv8.0 utuk N = 24 memudahka peeliti dalam meetuka pemilah. Peetua Simpul Tahap kedua yaitu tahap peetua simpul termial. Simpul t dikataka sebagai simpul termial ika tidak terdapat peurua keheterogea yag berarti sehigga tidak aka dipilah lagi. Berdasarka Gambar 4, dapat diketahui bahwa poho klasifiksi maksimal yag terbetuk mempuyai kedalama 7. Sedagka simpul termial yag dihasilka oleh poho klasifikasi maksimal adalah 12 simpul termial. > 5 Tahu <= 5 Tahu JURUSAN = (Biologi,Fisika,Matematika) > 5 Tahu <= 5 Tahu W = N = 188 JURUSAN = (Kimia) 132 Program Studi Statistika FMIPA Uiversitas Mulawarma
9 Gambar 4. Poho Klasifikasi Maksimal Peadaa Label Kelas Tahap ketiga adalah peadaa label kelas, berdasarka pada persamaa (11). Sebagai cotoh, pada gambar 3, utuk simpul 1. P (Lama Studi 5 Tahu t)= = 0,6170 P (Lama Studi > 5 Tahu t)= = 0,3829 Sehigga simpul iduk diberi label kelas lama studi 5 Tahu, karea peluag kelas tersebut lebih besar dari pada peluag kelas laiya. Pemagkasa Poho Klasifikasi Proses pemagkasa poho klasifikasi dimulai dega megambil t R yag merupaka simpul aak kaa da t L yag merupaka simpul aak kiri dari T max yag dihasilka dari simpul iduk t. Jika diperoleh dua simpul aak da simpul iduk yag memeuhi persamaa (16), maka simpul aak t R da t L dipagkas. Gambar 5. Poho Klasifikasi Maksimal yag dipagkas Gambar 5 terdapat simpul yag aka dipagkas yaitu simpul ke 7, simpul tersebut megalami pemagkasa karea simpul iduk da Node Class 1 = > 5 Tahu simpul aakya memeuhi persamaa (16). Maka Class JURUSAN = > 5 Tahu = JURUSAN (Biologi,Fisika,Matematika) = proses perhituga pemagkasa adalah sebagai Class (Biologi,Fisika,Matematika) = > 5 Tahu > 5 Tahu JURUSAN = berikut. <= 5 Tahu (Biologi,Fisika,Matematika) > 5 Tahu W = Class <= Cases 5 Tahu% N = 188 Simpul iduk > 5 (simpul Tahu 72 W = ) : <= 5 Tahu 116 N 61.7 = 188 Dalam simpul 7 W terdapat = kelas yaitu kelas lama JURUSAN = (Biologi,...) N = 188 studi 5 Tahu da kelas lama studi JURUSAN > = (Kimia) 5 Tahu. JURUSAN = (Biologi,...) Node 2 JURUSAN = (Biologi,...) Maka ilai probabilitas tiap kelas dalam simpul 2 IPK = JURUSAN = Node (Kimia) Node 2 3 Class = (2,76 > 5 <= Tahu JURUSAN = (Kimia) Node 2 IPK <= 3.50, Class = <= 5 Tahu dega Class IPK = > megguaka 5 Tahu persamaa (11) adalah : 2.00 <= IPK <= 2.75) Node Class 3 Cases % IPK = (2,76 <= IPK Class <= 3.50, Cases % Node 3Class > = 5 Tahu <= 5 P (Lama Studi 5 t 7 ) = 21 Tahu (2,76 <= 2.00 IPK <= <= IPK 3.50, > <= 5 Tahu 2.75) Class = <= 5 Class Tahu <= 5 Tahu Cases 60% <= 5 Tahu = <= IPK Class <= 2.75) Cases % Class Cases > 5 Tahu % W = ,875 Class > 5 Tahu Cases % 64 W = > 5 Tahu <= 58 Tahu N = > 5 Tahu <= 5 Tahu 56 N = <= 5 Tahu W = <= 5 Tahu W = W = N = 68 P (Lama Studi > 5 Tahu t 7 ) = 3 W = N = 120 N = 68 N = = 0,125 IPK = (2,...) IPK = (3,...) kemudia, IPK = (3,...) IPK = (3,...) Node 2 = <= 5 Tahu r t 7 = 1 Class 0,875 Cases % = 0,125 Node 2 Node > 5 Tahu 2 Class = <= 5 Tahu Class Nilai probabilitas obek yag berada dalam simpul <= = <= 5 Tahu 5 Tahu W = Class Cases W = % > 5 Tahu N adalah = 96 > 5 Tahu 3 : <= 5 Tahu N = IPK IPK = (2,...) = (2,...) Node > 5 1 Tahu Class = > <= 55 Tahu Class Cases Tahu % Class Tahu Cases % > 5 5 > Tahu 5 Tahu <= <= W 5 Tahu = N W = 96 = N = 96 W <= = Tahu N = 24 W = N = 24 P t 7 = N t 7 N = = 0,1276 Oleh karea itu, R t 7 = r t 7. P t 7 = 0,125 0,1276 = 0,01595 Simpul aak (simpul 8) : Simpul 8 memiliki ilai max P( t) sebesar 0,8, sehigga : r r L = 1 max P t = 1 0,8 = 0,2 P t L adalah peluag bayakya obek pada simpul aak sebelah kiri, sehigga: P t L = N t L N = = 0,0797 Oleh karea itu, R t L = r t L. P t L = 0,2 0,0797 = Simpul aak (simpul termial 9) : Simpul termial 9 memiliki ilai max P( t) sebesar 1, sehigga : r r R = 1 max P t = 1 1 = 0 P t R adalah peluag bayakya obek pada simpul aak sebelah kaa, sehigga: P t R = N t R N = = 0,047 Oleh karea itu, R t R = r t R. P t R = 0 0,047 = 0 Dega demikia, persamaa (16) : R t = R t L + R t R 0,01595 = 0, ,01595 = 0,01595 Terpeuhi utuk simpul 7, sehigga dilakuka pemagkasa. Proses ii diulagi lagi sampai tidak ada lagi pemagkasa yag mugki teradi, sehigga diperoleh ukura poho yag layak da memeuhi cost complexitymiimum. Poho Klasifikasi Optimal Poho klasifikasi optimal utuk data lama masa studi dapat dilihat pada Gambar 6 yag diperoleh melalui lagkah pemagkasa yag telah dilakuka sebelumya. IPK = (2,...) Class = <= 5 Tahu Gambar 6. Poho Klasifikasi Optimal > 5 Tahu <= 5 Tahu W = N = 96 JURUSAN = (Biologi,...) Node 2 IPK = (2,76 <= IPK <= 3.50, 2.00 <= IPK <= 2.75) > 5 Tahu <= 5 Tahu W = N = 120 JURUSAN = (Biologi,Fisika,Matematika) > 5 Tahu <= 5 Tahu W = N = 188 IPK = (3,...) Node 2 > 5 Tahu <= 5 Tahu W = N = 24 JURUSAN = (Kimia) Node 3 Class = <= 5 Tahu > 5 Tahu <= 5 Tahu W = N = 68 Program Studi Statistika FMIPA Uiversitas Mulawarma 133
10 Berdasarka Gambar 6 dapat diketahui bahwa variabel peelas yag meadi pemilah utama pada poho klasifikasi optimal adalah variabel Jurusa (X 5 ). Pegamata simpul utama (simpul 1) dipilah meadi dua simpul aak berdasarka variabel Jurusa Biologi, Fisika da Matematika. Dari 188 pegamata pada simpul, sebayak 68 pegamata dipilah ke simpul kaa (simpul termial 3), simpul ii tidak dipilah lagi karea telah homoge. Sedagka sebayak 120 pegamata dipilah ke simpul kiri (simpul 2). Simpul 2 dipilah lagi berdasarka variabel pemilah IPK (2,00 IPK 2,75 da 2,76 IPK 3,50). Dari 120 pegamata pada simpul 2, sebayak 24 pegamata dipilah kesimpul kaa (simpul termial 2), sebayak 96 pegamata dipilah kesimpul kiri (simpul termial 1). Adapu iterpretasi hasil utuk masigmasig simpul termial adalah sebagai berikut : 1. Simpul 1 Simpul termial 1 terdiri dari 96 pegamata yag diprediksi sebagai kelompok mahasiswa yag lama studiya > 5 Tahu. Karakteristik mahasiswa dari simpul ii adalah mahasiswa yag memiliki ilai IPK 2,00 IPK 2,75 da 2,76 IPK 3, Simpul 2 Simpul termial 2 terdiri dari 24 pegamata yag diprediksi sebagai kelompok mahasiswa yag lama studiya 5 Tahu. Karakteristik mahasiswa dari simpul ii adalah mahasiswa yag memiliki ilai IPK 3.51 IPK Simpul 3 Simpul termial 3 terdiri dari 68 pegamata yag diprediksi sebagai kelompok mahasiswa yag lama studiya 5 Tahu. Karakteristik mahasiswa dari simpul ii adalah mahasiswa yag berasal dari urusa Kimia. Ketepata Klasifikasi Poho klasifikasi optimal yag telah terpilih tadi kemudia diui tigkat keakurataya dalam megelompokka data, yaitu diperoleh ketepata pegklasifikasi sebesar : % = 77,27 % 188 Berdasarka perhituga ketepata klasifikasi diperoleh 77,27 % yag artiya poho klasifikasi yag terbetuk mampu memprediksi dega tepat pegamata sebesar 77,27 %. Mahasiswa FMIPA Uiversitas Mulawarma adalah IPK, Jeis Kelami, Jeis Sekolah Meegah da Jurusa. 2. Berdasarka hasil peelitia megguaka metode CART, Hasil pegklasifikasia yag diperoleh adalah mahasiswa yag lama studiya 5 Tahu adalah mahasiswa yag berasal dari urusa Kimia atau memiliki IPK 3.51 IPK Sedagka mahasiswa yag lama studiya > 5 Tahu yaitu mahasiswa yag memiliki IPK 2.00 IPK 2.75 ; 2.76 IPK Pada kasus Lama Studi Mahasiswa FMIPA Uiversitas Mulawarma kiera CART lebih baik dibadigka dega Regresi Logistik Bier. Hal ii dapat dilihat dari ketepata klasifikasi CART sebesar 77,27 % sedagka ketepata klasifikasi Regresi Logistik Bier 75 %. Daftar Pustaka Breima, L., J.H Friedma, R.A. Olse, ad C.J Stoe. (1993). Classificatio ad Regressio Trees. New York: Chapma & Hall. Hosmer, D. W. & Lemeshow, S. (2000). Applied Logistic Regressio. New York : Joh Wiley & Sos, Ic. Johso, R.A & DW Wiche, (2007). Applied Multivariat Statistical Sixth Editio, Pretice Hall Iteratioal Ic, New Jersey. Lewis, R.J. (2000). A Itroductio to Classificatio ad Regressio Tree (CART) Aalysis. Aual Meetig of the Society for Academic Emergecy Medicie i Sa Frasisco. Califoria: Departmet of Emergecy Medicie. Timofeev, Roma. (2004). Classificatio ad Regressio Tree (CART) Theory ad Applicatios. A Master Tesis. CASE- Ceter of Applied Statistics ad Ecoomics. Berli : Humboldt Uiversity. Kesimpula Berdasarka hasil aalisis da pembahasa yag dilakuka, kesimpula yag diperoleh dari peelitia ii, yaitu : 1. Berdasarka hasil peelitia megguaka metode Regresi Logistik Bier, Faktor faktor yag mempegaruhi Lama Studi 134 Program Studi Statistika FMIPA Uiversitas Mulawarma
TINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinci1200 (0,535) (0,465) (1200 1).0,05 + (0,535) (0,465)
= DATA DAN METODE PENELITIAN Data Peelitia Data yag diguaka dalam peelitia ii adalah data primer hasil yag diperoleh melalui peyebara kuisioer da metode wawacara sebagai data pelegkap. Pegumpula data dilaksaaka
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciJurnal Gradien Vol. 11 No. 2 Juli 2015 :
Jural Gradie Vol. 11 No. 2 Juli 2015 : 1096-1100 Aalisis Tigkat Uag Kuliah Tuggal dega Megguaka Regresi Logistik Ordial (Studi Kasus Jurusa Matematika FMIPA Uiversitas Begkulu Tahu Ajara 2013-2015) Etis
Lebih terperinciAnalisis Regresi Ordinal Untuk Mengetahui Faktor-Faktor Yang Mempengaruhi Kualitas Pelayanan Kesehatan Pada Komunitas Latino
Jural Gradie Vol 8 No 2 Juli 22 82-88 Aalisis Regresi Ordial Utuk Megetahui Faktor-Faktor Yag Mempegaruhi Kualitas Pelayaa Kesehata Pada Komuitas Latio Idhia Sriliaa Jurusa Matematika, Fakultas Matematika
Lebih terperinciKata Kunci : CHAID, IPM, regresi logistik ordinal.
ANALISIS CHAID DAN REGRESI LOGISTIK ORDINAL PADA INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Liaa Yuita Sari, Sri Sulistijowati Hadajai, da Satoso Budiwiyoo Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPengujian Normal Multivariat T 2 Hotteling pada Faktor-Faktor yang Mempengaruhi IPM di Jawa Timur dan Jawa Barat Tahun 2007
1 Peguia Normal Multivariat T Hottelig pada Faktor-Faktor yag Mempegaruhi IPM di Jawa Timur da Jawa Barat Tahu 007 Dedi Setiawa, Zuy Iesa Pratiwi, Devi Lidasari, da Sati Puteri Rahayu Jurusa Statistika,
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciLogistic Regression Analysis To Determine Factors Affecting The Grade Point Average (GPA) Of FMIPA Student Of Sam Ratulangi University Of Manado
Aalisis Regresi Logistik Utuk Meetuka Faktor-Faktor Yag Mempegaruhi Ideks Prestasi Kumulatif (IPK) Mahasiswa FMIPA Uiversitas Sam Ratulagi Maado Yumira Adriai Tampil 1, Hay Komalig 2, Yohais Lagi 3* 1,2,3
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciPERBANDINGAN KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN REGRESI LOGISTIK BINER DAN ALGORITMA C4.5 (Studi Kasus UPT Puskesmas Ponjong I, Gunungkidul)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 2, Tahu 2016, Halama 299-309 Olie di: http://ejoural-s1.udip.ac.id/idex.php/gaussia PERBANDINGAN KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPendugaan Parameter. Debrina Puspita Andriani /
Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN GENDER (IPG) DENGAN MENGGUNAKAN REGRESI PROBIT
1 ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN GENDER (IPG) DENGAN MENGGUNAKAN REGRESI PROBI Ari Vaerli Fitarisca (1) da Vita Ratasari (2) (1)(2) Jurusa Statistika, FMIPA, IS, Istitut ekologi
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS.1 Pegertia-pegertia Lapaga pekerjaa adalah bidag kegiata dari pekerjaa/usaha/ perusahaa/kator dimaa seseorag bekerja. Pekerjaa utama adalah jika seseorag haya mempuyai satu pekerjaa
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciMateri 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya
Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI PREDIKAT KELULUSAN MAHASISWA S1 DI ITS SURABAYA
ANALISIS REGRESI LOGISTIK ORDINAL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI PREDIKAT KELULUSAN MAHASISWA S DI ITS SURABAYA Sitti Imaslihkah, Madu Rata, da Vita Ratasari Jurusa Statistika, Fakultas MIPA,
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciBAB V METODOLOGI PENELITIAN
BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciIMPLEMENTASI RUMUS SOBEL PADA WEB DENGAN TOPIK REGRESI LINIER MENGGUNAKAN VARIABEL INTERVENING
Versi Olie: https://joural.ubm.ac.id/idex.php/alu Vol.I (No. ) : 9-4. Th. 08 Implemetasi Rumus Sobel Pada Regresi Liear ISSN: 60-60 IMPLEMENTASI RUMUS SOBEL PADA WEB DENGAN TOPIK REGRESI LINIER MENGGUNAKAN
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
Lebih terperinciHazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand
TEKIK SAMPLIG PCA SEDERHAA Hazmira Yozza Izzati Rahmi HG Jurusa Matematika FMIPA Uad Defiisi : Jika suatu cotoh berukura diambil dari suatu populasi berukura sedemikia rupa sehigga setiap kemugkia cotoh
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciTEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran
Bab 8 TEORI PENAKSIRAN Kompetesi Mampu mejelaska da megaalisis teori peaksira Idikator 1. Mejelaska da megaalisis data dega megguaka peaksira titik 2. Mejelaska da megaalisis data dega megguaka peaksira
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciBAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis
BAB 3 METODE PENELITIAN 3.1 Peetapa Kriteria Optimasi Disii peerapa kriteria optimasi yag diguaka utuk megaalisis kebutuha pokok pada PT. Kusuma Kecaa Khatulistiwa yaitu : 1. Aalisis forecastig (peramala
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinci