Lampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data)

dokumen-dokumen yang mirip
Gambar 3 Diagram aliran data level 1.

HASIL DAN PEMBAHASAN Kebutuhan Sistem

PENYUSUNAN PAKET R UNTUK PENGEMBANGAN PAKAR (PAKET ANALISIS REGRESI) KAMELIA

BAB 4 HASIL DAN PEMBAHASAN. mahasiswa lulusan yang berasal dari School of Computer Science BINUS. datanya adalah seperti yang tertera pada Tabel 4.1.

Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG

Masalah Overdispersi dalam Model Regresi Logistik Multinomial

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

HASIL DAN PEMBAHASAN

IV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga

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

pemisahan perlakuan tidak terlalu (Mattjik & Sumertajaya 2002). Hipotesis yang diuji adalah:

BAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat

MAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY

IV. METODOLOGI PENELITIAN. wisata tirta. Lokasi penelitian ini dapat dilihat pada Lampiran 1.

Others Institution Credit Job Code

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

REGRESI LOGISTIK (LOGISTIC REGRESSION)

BAB 3 METODE PENELITIAN

4 HASIL DAN PEMBAHASAN

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

Analisis Regresi 2. Multikolinier & penanganannya

BAB II TINJAUAN PUSTAKA

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

IV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Ciburuy dan Desa Cisalada, Kecamatan

Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS)

Uji statistik multivariat digunakan untuk menguji

BAB II TINJAUAN PUSTAKA

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

Analisis Korelasi dan Regresi Sederhana

HASIL DAN PEMBAHASAN

BAB V HASIL DAN PEMBAHASAN

IV METODE PENELITIAN

BAB II KAJIAN TEORI. Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan.

BAB 4 HASIL DAN PEMBAHASAN

TINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan

MINITAB. Perbandingan kelebihan dan kelemahan program aplikasi statistik Minitab SPSS SAS Eviews. Analisis statistik dalam

IV METODE PENELITIAN. 4.1 Lokasi dan Waktu Penelitian

HASIL DAN PEMBAHASAN

RINGKASAN. Kata kunci: paket AMV, paket AMV 2.0, analisis peubah ganda

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

10 Departemen Statistika FMIPA IPB

TABEL 3 DATA PENELITIAN

III. METODOLOGI PENELITIAN

HASIL. yang berlebihan. kotak garis (box-plot) yaitu, Bersubsidi. untuk KPR Bersubsidi. 2. Membangun. analisis. keseluruhan

Korelasi Linier Berganda

HASIL DAN PEMBAHASAN

REGRESI BEDA DAN REGRESI RIDGE Ria Dhea Layla N.K 1, Febti Eka P. 2 1)

STK511 Analisis Statistika. Bagus Sartono

ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK

PEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R

STK511 Analisis Statistika. Pertemuan 10 Analisis Korelasi & Regresi (1)

JUDUL LEMBAR PENGESAHAN PERNYATAAN ORISINALITAS SKRIPSI ABSTRAK...

PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION

ANALISIS STATISTIKA UNTUK SOSIAL EKONOMI PERTANIAN

HASIL DAN PEMBAHASAN. Statistika grafik meliputi Histogram Boxplot Diagram batang Diagram kue

HASIL DAN PEMBAHASAN Model Regresi Poisson

Regresi dengan Microsoft Office Excel

HASIL DAN PEMBAHASAN. (a) (b) (c)

BAB 4 HASIL PERCOBAAN DAN BAHASAN

BAB III METODOLOGI PENELITIAN. (Sugiyono, 2010). Populasi dalam penelitian ini adalah Bank Umum Milik

BAB 13 ANALISIS LINTAS (PATH ANALISIS)

BAB 4 HASIL DAN PEMBAHASAN. Data yang digunakan pada penelitian ini adalah data pemantauan pertumbuhan

ANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL

BAB 1 PENDAHULUAN. awal peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa

PENYUSUNAN PAKET R UNTUK PENYEMPURNAAN PAKET ARP (DESAIN DAN ANALISIS RANCANGAN PERCOBAAN)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

KORELASI LINIER BERGANDA

BAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang

BAB 2 LANDASAN TEORI

BAB III KAJIAN SIMULASI

BAB ΙΙ LANDASAN TEORI

ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER

IV. METODE PENELITIAN. Maret Pemilihan lokasi tersebut dilakukan secara sengaja (purposive), menimbulkan eksternalitas positif bagi masyarakat.

Pencilan. Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya

Perbandingan Analisis Diskriminan dan Analisis Regresi Logistik Ordinal dalam Prediksi Klasifikasi Kondisi Kesehatan Bank

Korelasi Sederhana dan Normalitas Regresi. Aplikasi Komputer

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

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun

Pengantar Pengolahan Data Statistik Menggunakan SPSS 22. Isram Rasal ST, MMSI, MSc

- Setelah aplikasi terbuka, klik kanan kemudian pilih run

ANALISIS FAKTOR - FAKTOR YANG MEMPENGARUHI PERMINTAAN GULA IMPOR DI INDONESIA BERDASARKAN DATA TAHUN TUGAS AKHIR

BAB 4 IMPLEMENTASI DAN EVALUASI

Analisis Perbandingan Berbagai Uji Pencilan Pada Analisis Regresi Admi Nazra Jurusan Matematika FMIPA Universitas Andalas

BAB 3 METODOLOGI PENELITIAN

BAB 2 TINJAUAN PUSTAKA

Resume 2 : Analysis of sex sequences by means of generalized linear mixed models. Yenni Angraini G

Analisis Regresi 1. Pokok Bahasan Pengujian pada Regresi Ganda

KORELASI LINIER BERGANDA. Debrina Puspita Andriani /

KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi

Cara Menggunakan Chemical Calculator

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF (TK) KODE / SKS: KD / 2 SKS

BAB 3 PENGOLAHAN DATA

BAB III GENERALIZED SPACE TIME AUTOREGRESSIVE. Model GSTAR adalah salah satu model yang banyak digunakan untuk

TINJAUAN PUSTAKA. Model Regresi Linier Ganda

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

BAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).

Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil

4. HASIL DAN PEMBAHASAN

Transkripsi:

L A M P I R A N 15

16 Lampiran 1. Diagram aliran data level 2 proses 1 (Input Data) Lampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data) Lampiran 3. Diagram aliran data level 2 proses 10 (Simpan Data)

19 Lampiran 9. Lingkungan utama dan skema menu Pakar 2.0 1. Lingkungan Utama Pakar 2.0

File Buat Dataset Baru Memuat Dataset Impor Dataset Ekspor Dataset Simpan Dataset Simpan Hasil Hasil HTML Keluar SPSS SPSS.csv (,).csv (,).csv (;).csv (;) Ms. Excel Ms. Excel 2003 Ms. Access Edit Cut Salin Paste Hapus Undo Pilih Semua Bersihkan Jendela Data Pilih Dataset Aktif Lihat Dataset Aktif Edit Dataset Aktif Kalkulator Bangkitkan Bilangan Acak Cetak Dataset Bilangan Acak Seragam Bilangan Acak Binomial Bilangan Acak Normal

21 Lampiran 9. Lanjutan d. Menu Statistika e. Menu Bantuan Statistika Bantuan Statistika Dasar Analisis Regresi Bantuan Pakar 2.0 Tentang Pakar 2.0 Plot Pengepasan Garis Analisis Regresi Linier Analisis Regresi Bertatar Analisis Regresi Komponen Utama Analisis Regresi Gulud Analisis Regresi Logistik Biner Analisis Regresi Logistik Ordinal Analisis Regresi Logistik Multinomial Analisis Regresi Kuadrat Terkecil Parsial

22 Lampiran 10. Kotak Dialog Regresi Komponen Utama a. Kotak Dialog Utama b. Kotak Dialog Validasi Silang c. Kotak Dialog Grafik d. Kotak Dialog Pilihan

Lampiran 11. Kotak Dialog Regresi Gulud 23

24 Lampiran 12. Kotak Dialog Regresi Logistik Biner a. Kotak Dialog Utama b. Kotak Dialog Pilihan

25 Lampiran 13. Kotak Dialog Regresi Logistik Ordinal a. Kotak Dialog Utama b. Kotak Dialog Pilihan

26 Lampiran 14. Kotak Dialog Regresi Logistik Multinomial a. Kotak Dialog Utama b. Kotak Dialog Pilihan

27 Lampiran 15. Kotak Dialog Regresi Kuadrat Terkecil Parsial a. Kotak Dialog Utama b. Kotak Dialog Validasi Silang c. Kotak Dialog Grafik d. Kotak Dialog Pilihan d. Kotak Dialog Pilihan

28 Lampiran 16. Tabel perbandingan keluaran regresi komponen utama antara Pakar 2.0 dengan SAS Pakar 2.0 SAS Kasus Uji Komponen 1 Komponen 2 Komponen 1 Komponen 2 Nilai keragaman kumulatif (%): 24.4177 40.1402 24.4177 40.1402 Loading X : Cd 0.36-0.04429 0.360244 Mo -0.164 0.522 0.163462 0.522462 Mn 0.124-0.032279 0.124259 Ni -0.179 0.178857 0.082523 Cu 0.041932 0.042446 Al -0.26-0.024728-0.259467 Ba -0.339-0.186 0.338704-0.186204 Cr -0.241 0.224 0.240608 0.22403 Sr -0.377-0.214 0.376707-0.213696 Pb -0.158 0.514 0.157737 0.513736 B -0.001333 0.034471 Mg -0.397 0.39727 0.005712 Si -0.298 0.298122-0.053741 Na -0.263-0.234 0.262575-0.233776 Ca -0.328 0.327468 0.093608 P -0.194 0.13 0.194372 0.130145 K -0.369-0.164 0.368582-0.164225 Data yang kosong pada hasil Pakar 2.0 menunjukkan nilai loading yang kecil (mendekati nol)

29 Lampiran 17. Tabel perbandingan keluaran regresi gulud antara Pakar 2.0 dengan SAS k Pakar 2.0 Intersep GNP.deflator GNP Unemployed Armed.Forces Population Year 0-3482.26 0.0150619-0.0358192-0.0202023-0.0103323-0.051104 1.82915 0.01-2307.35-0.0018682-0.0150427-0.0087284-0.148944 1.22702 1.22702 0.02-1877.44 0.0093468 0.0051902-0.0137616-0.0081273-0.128808 1.00355 0.03-1620.43 0.0210596 0.0079943-0.0131457-0.0077519-0.10188 0.86912 0.04-1442.71 0.030744 0.0094135-0.0127679-0.0074784-0.077721 0.77585 0.05-1310.59 0.0385846 0.0102337-0.0125038-0.0072632-0.057223 0.70638 0.06-1207.84 0.0449642 0.0107496-0.0123033-0.0070854-0.039942 0.65228 0.07-1125.36 0.0502107 0.0110937-0.0121422-0.0069336-0.025293 0.60881 0.08-1057.56 0.0545754 0.0113333-0.0120074-0.0068008-0.012763 0.57305 0.09-1000.75 0.0582462 0.0115056-0.011891-0.0066823-0.001947 0.54308 0.1-952.43 0.061364 0.0116325-0.0117881-0.0065749 0.007474 0.51757 SAS k Intersep GNP.deflator GNP Unemployed Armed.Forces Population Year 0-3482.26 0.015-0.04-0.0202-0.01033-0.051 1.829 0.01-766.48 0.073 0.01-0.0113-0.00607 0.045 0.419 0.02-575.23 0.083 0.01-0.0105-0.00518 0.087 0.318 0.03-500.08 0.086 0.01-0.0099-0.00452 0.102 0.279 0.04-458.7 0.086 0.01-0.0093-0.00396 0.11 0.257 0.05-431.83 0.086 0.01-0.0088-0.00347 0.114 0.243 0.06-412.57 0.086 0.01-0.0083-0.00302 0.117 0.233 0.07-397.85 0.085 0.01-0.0079-0.00262 0.118 0.225 0.08-386.05 0.085 0.01-0.0075-0.00225 0.119 0.219 0.09-376.29 0.084 0.01-0.0071-0.00191 0.12 0.214 Perbedaan rumus regresi gulud yang digunakan: X adalah matriks peubah bebas berukuran (n x p) y adalah vektor peubah respon berukuran (n x 1) SAS: dengan D adalah matriks diagonal berukuran (p x p) yang berisi unsur diagonal utama dari matriks X X. Matriks X yang digunakan adalah matriks X terbakukan. Pakar 2.0: dengan Z adalah hasil penguraian nilai singular dari matriks X yang telah dibakukan.

Plot antara nilai k vs dugaan koefisien gulud ^ -2 0 2 4 6 8 Peubah Bebas GNP.deflator GNP Unemployed Armed.Forces Population Year 0.00 0.02 0.04 0.06 0.08 0.10

31 Lampiran 19. Tabel perbandingan keluaran regresi logistik biner (fungsi penghubung logit) antara Pakar 2.0 dengan Minitab, SAS, dan SPSS Kasus Uji Hasil Pakar 2.0 Minitab SPSS SAS Koefisien regresi: Intersep -1.98717-1.98717-1.987-1.987 Smokes -1.19297-1.19297-1.193-1.1929 Weight 0.02502 0.0250226 0.025 0.025 SK 95% koefisien: Intersep -5.4153 1.228 Smokes -2.3107-0.1191 Weight 0.0021 0.0506 nilai Z (Wald): Intersep -1.183-1.18 Smokes -2.157-2.16 Weight 2.042 2.04 Odds Ratio: Smokes 0.3033 0.3 0.303 0.303 Weight 1.0253 1.03 1.025 1.025 SK 95% odds ratio: Smokes 0.0992 0.1 0.887 0.9 Weight 1.0021 1 1.0519 1.05 AIC 99.64 99.64 Null deviance 101.21 101.214 Residual deviance 93.64 93.64 93.64 Statistik G 7.5743 7.574 7.574 7.5743 P-value G 0.0227 0.023

32 Lampiran 20. Perbandingan tabel klasifikasi regresi logistik biner (fungsi penghubung logit) antara Pakar 2.0 dengan Minitab, SAS, dan SPSS Tabel Klasifikasi R RestingPulse Dugaan High Low High 2 20 Low 2 68 SPSS RestingPulse Dugaan High Low High 2 20 Low 2 68 SAS RestingPulse Dugaan High Low High 2 20 Low 2 68 Lampiran 21. Tabel perbandingan keluaran regresi logistik ordinal (fungsi penghubung logit) antara Pakar 2.0 dengan Minitab, SAS, dan SPSS Kasus Uji Koefisien regresi: Hasil Pakar 2.0 Minitab SPSS SAS b0 (0) 2.2039 2.20332 2.119 2.2029 b0 (1) 4.2994 4.29877 4.214 4.2983 pared (1) 1.0477-1.04766 1.051-1.0478 public (1) -0.0588 0.05868-0.056 0.0585 gpa 0.6159-0.61575 0.596-0.6156 nilai Z (Wald): b0 (0) 2.8272 2.81 b0 (1) 5.3454 5.31 pared (1) 3.9418-3.9 public (1) -0.1974 0.2 gpa 2.3633-2.34 Odds Ratio: pared (1) 2.8511 0.35 0.351 public (1) 0.9429 1.06 1.06 gpa 1.8513 0.54 0.54 AIC 727.0249 727.025 Null deviance 741.205 Residual deviance 717.0249 717.025

33 Lampiran 22. Tabel perbandingan keluaran regresi logistik multinomial antara Pakar 2.0 dengan Minitab, SAS, dan SPSS Kasus Uji Koefisien regresi: Hasil Pakar 2.0 Minitab SPSS SAS b0 (2) -11.7747-11.7747-11.251-11.7746 b0 (3) -22.7214-22.7214-22.255-22.7214 female (2) 0.5238 0.523814-0.524 0.5238 female(3) 0.4659 0.465941-0.466 0.4659 age(2) 0.3682 0.368206 0.368 0.3682 age(3) 0.6859 0.685908 0.686 0.6859 nilai Z (Wald): b0 (2) -6.6351-6.64 b0 (3) -11.0404-11.04 female (2) 2.6967 2.7 female(3) 2.0609 2.06 age(2) 6.6943 6.69 age(3) 10.9524 10.95 Odds Ratio: female (2) 1.6884 1.69 1.688 female(3) 1.5934 1.59 1.594 age(2) 1.4451 1.45 1.445 age(3) 1.9856 1.99 1.986 AIC 1417.9414 1417.941 Residual deviance 1405.9414 1405.941

34 Lampiran 23. Tabel perbandingan keluaran regresi kuadrat terkecil parsial antara Pakar 2.0 dengan Minitab, dan SAS Kasus Uji Nilai keragaman kumulatif (%): Komponen 1 Pakar 2.0 Minitab SAS Komponen Komponen Komponen Komponen 2 1 2 1 Komponen 2 22.5149 36.6697 22.5149 36.6697 22.515 36.67 R-square(pred) 0.45659 0.46324 0.456585 0.463238 PRESS 22.39045 22.11633 22.3904 22.1163 Loading X : Cd 0.117 0.117094 0.068153 0.112583 0.057013 Mo 0.509-0.000775 0.508907-0.000745 0.425724 Mn 0.035704-0.035632 0.034328-0.029808 Ni -0.16 0.115-0.160192 0.114982-0.154021 0.096187 Cu -0.017745 0.050879-0.017062 0.042562 Al -0.285-0.083849-0.285146-0.080619-0.238537 Ba -0.441-0.440711-0.09625-0.423733-0.080518 Cr -0.137 0.45-0.137135 0.44952-0.131852 0.376044 Sr -0.487-0.122-0.487433-0.121531-0.468655-0.101666 Pb 0.453-0.0091 0.453032-0.008749 0.378982 B 0.112 0.417 0.112403 0.417321 0.108073 0.349108 Mg -0.41 0.174-0.409967 0.174207-0.394173 0.145732 Si -0.262 0.299-0.262182 0.299153-0.252082 0.250255 Na -0.321 0.102-0.320968 0.102507-0.308603 0.085752 Ca -0.288 0.241-0.287606 0.240962-0.276527 0.201575 P 0.464-0.079286 0.463463-0.076231 0.387708 K -0.376 0.241-0.376258 0.241323-0.361763 0.201878 Data yang kosong pada hasil Pakar 2.0 menunjukkan nilai loading yang kecil (mendekati nol)

Lampiran 24. Contoh keluaran Pakar 2.0 35